2022-2026, panorama de l'écosystème IA, couches technologiques et principaux acteurs

Panorama de l’écosystème LLM : couches technologiques et principaux acteurs
- Les meilleurs modèles par acteurs :
  - OpenAI avec GPT-5.6 Sol : de la révolution à la confiance brisé, mais toujours leader
  - Claude avec Fable 5 : le partenaire privilégié des entreprises
  - Gemini avec 3.7 Flash : la force de frappe de Google, plus rapide, mais
  - Mistral avec Medium 3.5 : le seul acteur européen, petits modèles open-weight, pas de modèles lourds
  - DeepSeek avec DeepSeek-V4-Pro : le tsunami open-weight de 2024, montrant que l’open-weight est 6 mois derrière les models frontières
  - Alibaba avec Qwen3.8-Max :
  - Moonshot avec Kimi K3 Max : Premier model open-weight, trois mois derrière les models frontières.
- Mesurer la qualité d’un modèle dans le cadre d’une compétition extrême
  - Benchmarking : artificialanalysis.ai
  - LLM Arena :
  - “Vibe check”
  - Tests agentiques
- Les architectures évoluent lentement :
  - Différentes catégories de modèles par nombre de paramètres
  - Mixture of Experts (MoE)
  - Transformer² (Kasana AI)
- Au-delà du modèle, les nouveaux critères de performance (optimisation du coût et de ) :
  - Prompt Engineering (expertise métier)
  - Context Engineering (RAG)
  - Harness Engineering (connection aux agents, chain of thoughts, agents ReAct)
  - Dans le future : le loop Engineering ?
  - Une chose est sûre, le monde de l’IA ne se cantonne plus aux choix de modèle, l’écosystème évolue et les pratiques également, pourtant, tout continue d’évoluer très vite ! Ce que les experts prédisaient en 2025, 2024 ne s’est pas réalisé.
- Les outils agentique grand public :
  - Programmation : Codex, Cursor, Claude Code, GitHub Copilot (plugin d’IDE), Managed Agents (Claude)
  - Harnais agentiques (MCP) : ChatGPT, Claude, Deepseek Harness…
  - Question : Quelle différence entre un harnais et un moteur d’inférence ?
- Les outils d’orchestration, exemple pour un pipeline RAG
  - Introduction au RAG
  - Moteurs d’inference : Ollama, vLLM
  - Les routeurs : LlamaIndex, RouterChain de LangChain, Aurelio AI, différentes technologies pour différent cas de figures
    - Question : Pourquoi utiliser un routeur ?
  - Moteur de requête (query engine), le corps du pipeline RAG, exemple avec Haystack :
    - Les retrieveurs, FAISS, bases de données vectorielles, graphiques…
    - Étapes intermédiaires : filtre, reformulation de la question…
    - Les générateurs
    - Étapes intermédiaires : post-processing, syntétiseur…
- Autres outils d’orchestration pour la conception backend pour harnais agentique (au-delà du RAG) :
  - Agent SDK
  - Deepseek Harness
  - LangChain
  - Goose
  - Différent harnais pour différent cas d’usages
- L’intérêt des acteurs open sources
  - Coût, car non dépendant à des API externes
  - Fine-tuning
  - Maitrise de la chaine de valeur, indépendance et autonomie technologique
Travaux pratique Création d’un RAG simple avec Python