Des systèmes ML qui tiennent en production

Je construis l'infrastructure qui maintient les modèles en vie : pipelines d'entraînement, feature stores, harnais d'évaluation, serving d'inférence.

Chaque article publié ici part de systèmes réels, avec des métriques et un protocole reproductible.

Derniers articles

• EmbeddingGemma 2 : un banc d'essai pour remplacer BGE-M3 dans mon RAG — Plat du jour, 30 oct. 2026
  Google a publié EmbeddingGemma 2 le 6 octobre : 271 millions de paramètres pour la partie texte, des vecteurs de 768 dimensions qu'on peut couper à 256, licence Apache 2.0. Sur mon serveur, BGE-M3 partage un huitième de GPU avec un reranker. Le POC pour comparer les deux sur mes propres documents, et le piège du fp16.
• Modèle Hugging Face dans une image Docker : quatre réglages pour qu'il soit vraiment là — À emporter, 30 oct. 2026
  Le modèle est téléchargé au build, et au démarrage le conteneur le cherche ailleurs ou le retélécharge. Quatre réglages que j'applique maintenant à chaque image, appris à la dure sur mon ml-runner.
• Mistral Large 4 en poids ouverts : bonne nouvelle, mais je ne le ferai pas tourner — Apéro, 30 oct. 2026
  Mistral a publié fin octobre les poids de Large 4, un modèle d'environ mille milliards de paramètres. Pour l'Europe, c'est une vraie avancée. Pour quelqu'un qui sert ses modèles sur une L4, les comptes sont vite faits, et la licence a reculé par rapport à Large 3.

Tous les articles