--- type: archive source: OneNote PA-Projets periode: 2021-2026 --- # IA - Notes OneNote ## Chat GPT (20 janvier 2024) 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 Cas d'usage --- ## de l'IA (31 janvier 2024) Tâche pouvant être automatisée --- ## Polaria IA (28 mai 2024) Cyril de Sousas Cardoso : parcours datascience, ensai, bigdata, chef de projet innovation Cabinet odalob, chat bot RH en 2016, 2020 open AI, certification centrale supelec Polaria : - Chat bot - Chat bot Rag : - Impact de l'ia sur la recherche IA conversationnel et générative IA générative Polaria : 25 personnes, dont 10 salariés - Conseil formation 2 - Tech : 3 dev, 1 ML enginneur, UX - UI Accompagnement : - Développement sur mesure fond épopée, - sopra steria => sensibilisation Impact de l'IA sur l'employabilité. - Sensibilisation - Prospective - Accompagnement Expertise / Business Faire face à la croissance : grosse réflexion - Assistance aux développement : github / avoir leur propre copilot Comment on peut accélérer la sensibilisation Vers quoi la Comment Elastic - --- ## Search et IA (20 juin 2024) IA Générative : modèle de machine learning capable de générer du contenu (plutôt du deep learning) à partir de données sur lesquelles ils ont été préaablement entraînées Modèle CommandR+ => avec du RAG Mistral : 3 modele opensource : 8X22 Ollama Challenges : - Hallucination, mauvaises réponses - Accès aux données privées - Check des droits - Entrainement données privées - Stack Technique RAG : Elastic search : - Recherche Lexical : occurrence exact du mots ou phrases dans un corpus de textes ou document - Limite le sens n'est pas pris en compte, on ne peut pas poser la question en langage naturel => recherche lexical non pertinente - Recherche sémantique : - Recherche Vectorielle : - Les vecteurs portent le concept ou le sens du mot qu'on cherche à reprséenter - Mots sont strockés avec des chiffres - Modèle de machine learning entrainé, pour utiliser des vecteurs = représentation vectorielle = les embeddings Exemple modèle pour les MLP Elastic : basé sur le produit scalaire - Représentation des données dans ElasticSearch - Pour la recherche vectorielle HNSW graphs Elastic supporte l'inférence pour générer les vecteurs à l'indexation et à la recherche Recherche Hybride : combiner les différentes techniques RRF : Reciprocal Rank Fusion : rrf Nouveaau concept Retrievers : abstraction de la stratégie search : - Standard : recherche lexicale - Knn : vecteur - Rrf : fusionne les 2 => les 2 données une recherche hybride Chunk : découper un gros livres en plusieurs => va arriver très bientot --- ## Polaria IA (1 juillet 2024) - Sensibilisation à l'IA sur la journée Tribu.net - Manque dans le parcours d'intérgation - Aldentech sur l'IA tous les 3 mois - Sondage 1 - Sensibilisation pour l'ensemble des collaborateurs 2 - Comment partager la veille - Cartographie de l'éco-system actuel, voir ce qui ressort comme Framework 3 - Comment mieux exploiter nos données (exemple site e-commercie commandes ), avec prédictif Comment mieux s'appuyer sur d'autres opendata. 4 - Use case : Fonctionnalités qui vont être impactés Fiabilité du useCase concrêt en prod - Moteur de recherche - Tableau de bord - …. 5 - RAG et ChatBot : 6 - Productivité des développeurs / Chef de projets - ChatGPT/ Copilot - Vitesse d'appropriation - Impact sur le métier dans 2 ans - Impact sur les juniors 7 - Impact sur notre façon de faire nos projets Exemple Claude Install lama --- ## Polaria (27 août 2024) Actus : - 6tm : - Polaria : - Actif - IA : accélération, capacité - Année dernière : Accultération - RAG - Cette année : déploiement opérationnelle : - Cas d'usage concret - Dimension humaine + relation - Investissement 900K chez Polaria avec perte de contrôle - Gestion des risques : toute l'activité - ArdWood ESN : arrivée d'un CEO - ESN : KPMG, EXTIA, - Polaria : ( Melvin BizDev, Baptise : contenu, Martin : droit IA + freeLance) - Conférence / formation / Conseil Strat - Contenu : YouTube : - être à jour sur le contenu IA - Grand public + - 02/10 : prompt engeneering 3€ - Management et IA - Polaria Tech : - SAAS + mission ESN - Fusion avec XENO APP : 40 à 49% des parts, installer à Vannes - 2016 et 2017 : beaucoup top de solutions : - 2 dev Full Stack : - Financierement : 100k de perte - Armée de Terre : - SAAS ChatBot - Managia : Etude ou Recherche : statut de chair de recherche, CPF - Etude de l'impact sur l'IA, - Chair - Peut vendre des études prospectives, des formations mais pas d'accompagnements - Kairos Partner : Guillaume Baudoin :51 % => 100K de rachat - ESN : Pierre - 1 ML Engeniring - Fond épopée gestion : - allo voisins : - Développement de langage de modele existant - Modèle Yolo : détection d'image - Télégramme : Veille avec scrapping auto - Arrivée via des formations : - Audit / diagnostic - Low Code - No Code : go to market ML Engeniring, ML Ops, - Profil : ML Engenier / Chef de projet - ETI : sujet à - CP IA + ML Enginner - Dev IA : - Data Scientist : pas mal => restructuration Data - Déploiement avec gemini et copilot : - Refonte de l'interface avec le conversationnel - IA et CyberSécurité : conformité de l'IA Act - Participer à une diffusion intelligente de l'IA : Ethique, RSE, Souverain - Business : 10 Millions d'euros, être l'acteur de référence - Vos solutions IA sur mesure. - Facteurs clés : - Se focaliser sur un sujet important Seenaps et useCase 20240911 - --- ## Mentec (13 février 2025) - 7 ans à Alten : - + d'impact - + réduite - Ce qui me fait vibrer : imprimante 3D, space, être dans le monde des technos - Alten : - Encadre exclusivement en intercontrat, des stagiaires => profil temporaire, embarquer des nouvelles personnes - De l'ambition mais de l'inertie Poste avec plus On avance plus rapidement, encadrement Projet de recherche pour aller chercher le SIR : 3 projets en production : MVP - - Plateforme de recommandation - La moitié du temps - On n'avance pas assez vite 1 -Factory : Accompagner l’impact de l’ia 2 – Les Copilot IA dans nos applications 3 - Participer à l’analyse et conseil sur Goria - Cocher les cases : - Travailler avec des profil expérimentés - Ou on coche mois - La R&D - Les moyens Dernière question : Besoin : - Compétences sur les gros volumes données : - Affiner les promptings - Héberger notre propre model Est-ce que - Plateforme - Nov 2023 : - Pour - Pilote innovation - Différents projet de recherche : traitement du langage - Perspective 55K - Stagiaire --- ## Exemple Productivité IA (30 août 2025) génére moi un update pour mettre à jour la colonne clé sous forme de masque de bit, le masque s'incrémente pour chaque projetid différent SELECT TOP (1000) [Id] ,[ReferentielId] ,[AuditId] ,[Label] ,[Color] ,[DateCreation] ,[DateMaj] ,[UtilisateurMaj] ,[ProjetId] ,[ScrumEquipeId] ,[DemandeprojetId] , cle FROM [6tm_Prod].[dbo].[Tags] -- ⚠️ Assurez-vous que [cle] est au moins BIGINT si vous avez beaucoup de projets. -- INT permet ~31 projets (bits), BIGINT ~63. BEGIN TRAN; ;WITH Projets AS ( SELECT ProjetId, ROW_NUMBER() OVER (ORDER BY ProjetId) - 1 AS bit_index FROM ( SELECT DISTINCT ProjetId FROM [6tm_Prod].[dbo].[Tags] WHERE ProjetId IS NOT NULL ) d ), Masques AS ( SELECT ProjetId, CAST(POWER(CAST(2 AS BIGINT), bit_index) AS BIGINT) AS mask_value FROM Projets ) UPDATE t SET t.cle = m.mask_value FROM [6tm_Prod].[dbo].[Tags] AS t JOIN Masques AS m ON m.ProjetId = t.ProjetId; -- Vérification rapide (optionnel) SELECT TOP (1000) Id, ProjetId, cle FROM [6tm_Prod].[dbo].[Tags] ORDER BY ProjetId, Id; COMMIT; Dev et --- ## PAI (13 janvier 2026) Excalidraw Agilité et --- ## Assistant QA (12 mai 2025) Descriptif : - Programme pour assister le Chef de projet / Développeur dans les tests basiques - Il se connecte à l'application sous différent profils et parcours tous les liens, pour une datatable n'en prends qu'un ? - Intégrer sous forme de TU peux être intégrer à la CI et personnaliser avec des scénarios spécifiques par projet - Evolutifs : un nouvelle exigence peut être intégrée facilement et diffuser sur l'ensemble des projets existants (exemple vérifier l'accessibilité) Résultats attendus : - 0 retour client en prod de page qui répondent en 500 contre XX actuellement - La qualité s'est améliorée : - Les warnings on fait poper les pages ayant trop de requêtes http, des requêtes trop lourdes ou des requêtes SQL trop longues - La check visuel / responsive est facilité - Le CP / dev a gagné XX minutes / jour Pts de vigilance : - Définir ce qui est du TU / TI du test selenium Idées complémentaires : - Fiabiliser les stats réseau, ne remonter que les pertinentes - Ajouter les requêtes SQL en cas de pb - Valoriser le rapport en l'envoyant au client 🎭 1️⃣️⃣ Tests classiques avec Playwright 👉 En mode "classique", tu écris du code de test, typiquement avec la lib @playwright/test, en Typescript / JS / Python. Exemple typique : ts CopierModifier import { test, expect } from '@playwright/test'; test('homepage has title and sign-in button', async ({ page }) => { await page.goto('https://example.com'); await expect(page).toHaveTitle(/Example/); await page.click('text=Sign in'); }); 🔹 Avantages ✅ 100 % maîtrisé : tu écris précisément ce que tu veux tester ✅ Rapide et fiable en CI/CD ✅ Facile à versionner (Git) ✅ Peut être optimisé (parallèle, retries, traces...) ✅ Support officiel de Playwright 🔹 Limites ⛔ Le test doit être "codé à la main" (même si généré partiellement) ⛔ Difficile à adapter à une UI très dynamique sans refactoring ⛔ Pas directement utilisable par un LLM (manque de structure "sémantique" de la page) 🤖 2️⃣️⃣ Tests via Playwright-MCP (pilotés par LLM) 👉 Ici, le LLM (ex : Copilot) pilote un navigateur Playwright via le serveur MCP : - Le LLM reçoit un snapshot sémantique (accessibility tree, éléments référencés) - Il décide quoi faire : cliquer, taper, attendre... - Il génère éventuellement un script Playwright final "propre" Le flux typique : 1️⃣ LLM analyse la page 2️⃣ envoie commande "click(ref=1234)" 3️⃣ page répond avec un nouveau snapshot 4️⃣ boucle jusqu’à atteindre le but 5️⃣ optionnel : génère le script final 🔹 Avantages ✅ Très rapide pour explorer une UI inconnue ✅ Pas besoin de connaître les selectors CSS/XPath/etc. ✅ Le LLM s’adapte dynamiquement aux changements de la page ✅ Génère des scripts Playwright maintenables si besoin ✅ Peut couvrir des cas "à la volée", interactifs 🔹 Limites ⛔ Moins déterministe qu’un test écrit manuellement ⛔ Moins optimisé pour la vitesse brute (plus de round-trips) ⛔ Nécessite un LLM compatible MCP (Copilot+, Claude, etc.) ⛔ Moins adapté à une CI/CD pure (où tu cherches stabilité et rapidité) 🔍 3️⃣️⃣ Comparaison synthétique Critère Playwright classique Playwright MCP Déclenchement Dev ou CI/CD LLM en interaction Robustesse en CI/CD Très forte Moyenne (LLM) Exploration UI dynamique Complexe Naturelle (LLM s’adapte) Vitesse d’exécution Optimisée, rapide Plus lente (round-trips LLM) Génération automatique Possible mais limité Natif avec MCP + LLM Adapté au versioning Oui (Git + code source) Oui si on génère un script Playwright final Facilité pour un non-dev Complexe Forte (Copilot-friendly) 🎯 Conclusion : complémentarité 👉 Playwright classique reste le standard pour : - les tests automatisés CI/CD solides - les tests critiques, réglementaires - les suites maintenues sur le long terme 👉 Playwright MCP est excellent pour : - la génération initiale de tests via IA - l’exploration ad hoc de nouvelles versions d’une app - le support aux non-développeurs (QA fonctionnels) - les tests exploratoires en début de sprint Si tu veux, je peux aussi te montrer : ✅ un exemple de flux MCP + génération de test Playwright final ✅ comment combiner MCP + Playwright classique (c’est ce que fait Copilot par ex.) ✅ l’impact sur ta stack CI/CD si tu intègres MCP Veux-tu que je te prépare un exemple concret ? 🚀 ---