Philippe 187c6fb8a2 début intégration onenote

2026-05-14 15:01:32 +02:00

12 KiB

Raw Blame History

type	source	periode
archive	OneNote PA-Projets	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 :

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 ? 🚀

12 KiB Raw Blame History Unescape Escape