J’ai vu arriver Internet. Puis le Web. Puis, allez, le Web 2.0.
Aujourd’hui, comme tout le monde, je regarde l’IA s’installer dans nos vies et surtout dans nos entreprises.
Alors, pour la énième fois en presque 20 ans, Shadow Moses s’adapte à une nouvelle rupture technologique. 😄
Nous lançons CODEC : @JeSuisCodec
CODEC est une IA conçue autour de l’entreprise : ses données, ses règles, ses droits d’accès et ses usages.
Trois idées nous tiennent particulièrement à cœur :
1. les droits s’appliquent avant l’IA : chacun ne travaille qu’avec les informations auxquelles il est autorisé à accéder ;
2. les données restent sous maîtrise, avec hébergement et exécution des modèles en France ;
3. l’IA doit faire gagner du temps et de l’argent, avec des ressources et des coûts pilotables.
Nous nous appuyons notamment sur des technologies françaises comme Mistral AI et Scaleway, ainsi que sur de l’open source comme Twenty.
Et nous voulons aussi travailler avec des consultants : vous connaissez votre client et ses métiers, nous apportons la technologie et l’intégration.
On ne part pas de zéro : nous avons déjà déployé de l’IA dans un environnement Crédit Agricole. On est solides sur nos appuis.
Maintenant, il faut construire la suite.
Et je suis franchement très heureux de prendre ce chemin. Il va être passionnant.
👉 shadow-moses.net/codec/
Mathieu "Boogieplayer" Pasquini retweeted
En réalité, ce qu’on ne dit pas c’est qu’il n’y a probablement que deux issues possibles et les deux seront source, pour des raisons opposées, d’une crise économique majeure :
1. La valorisation de l’IA est une bulle et cette bulle éclate et entraîne tout le monde dans sa chute ;
2. La valorisation de l’IA est conforme aux gains de productivité qui justifieront le prix qu’il faudra payer pour amortir les infrastructures, mais alors pour payer ce prix les entreprises licencieront ou gèleront leurs embauches au minimum pendant toute la période où cela restera un avantage compétitif, créant du chômage massif chez les cols blancs qui ont le plus fort pouvoir d’achat.
En gros on va soit vers une crise financière qui déclenchera une crise sociale, soit vers une crise sociale qui déclenchera une crise économique. J’ai du mal à entrevoir un scénario alternatif où l’on évite toute crise, ce qui est sans doute consubstantiel à toute révolution technologique.
Désolé de jouer les rabat-joie juste après l’IPO d’Anthropic. Mais j’ai lu le dernier rapport de stabilité financière de la BCE, et il fait froid dans le dos.
Son constat : la façon dont on finance l’IA ressemble un peu trop aux subprimes.
Pour faire tourner leurs modèles, les géants de la tech construisent des data centers gigantesques. Cette année, la facture devrait avoisiner les 725 milliards de dollars, un montant tel que leurs bénéfices ne suffisent plus à suivre.
Alors ils empruntent.
Et c’est justement dans leur manière d’emprunter que la BCE retrouve des mécanismes qui rappellent la crise de 2008.
---------
👉 Une partie de la dette est invisible
Imaginez que vous vouliez faire construire une maison sans avoir l’air endetté. Vous demandez à un ami de contracter le prêt à votre place, en lui promettant un loyer pendant vingt ans. Sur le papier, aucun crédit à votre nom. Dans les faits, cet argent, vous le devez bel et bien.
C’est le montage choisi par Meta pour son centre de données en Louisiane : 27 milliards de dollars empruntés par une société partenaire, et absents des comptes de Meta.
Chez Microsoft, ce sont 365 milliards de dollars de loyers promis pour des centres de données qui ne sont même pas encore en service.
Au total, la BCE chiffre ces dettes "invisibles" à plus de 4000 milliards de dollars.
👉 L’argent qui tourne en rond (infographie ci-dessous)
Nvidia fabrique les puces. Il va investir jusqu’à 100 milliards de dollars dans OpenAI (ChatGPT), qui se sert de cet argent pour... acheter des puces Nvidia.
Un peu comme un concessionnaire qui prêterait à ses clients de quoi acheter ses voitures, avant de se féliciter de ses ventes record.
Résultat, tout le monde a l’air de vendre énormément, alors qu’une partie de la demande est financée par le vendeur lui-même.
👉 Des promesses, surtout
D’ici 2030, OpenAI s’est engagé à dépenser quelque 600 milliards de dollars en puissance de calcul. Son chiffre d’affaires 2025 ? 13 milliards. Si les revenus tardent à venir, c’est toute la chaîne qui risque de vaciller : OpenAI d’abord, puis ses fournisseurs, puis ceux qui leur ont prêté.
👉 Qui a prêté ?
Les Américains, pour l’essentiel. Pimco, le gérant d’actifs, a mis environ 10 milliards de dollars dans un seul centre d’Oracle. JPMorgan et le japonais MUFG ont monté pour Oracle un prêt de 38 milliards, et il leur a fallu des mois pour trouver d’autres prêteurs avec qui le partager.
Et l’Europe dans tout ça ?
Nos banques ont prêté environ 75 milliards d’euros au secteur, soit à peine 1% de leurs crédits aux entreprises, un risque que la BCE juge limité. Le point faible est ailleurs. Il se trouve du côté de nos fonds et de nos assureurs, qui ont placé jusqu’à un quart de leurs actions dans la tech américaine et achètent de plus en plus d’obligations émises par les géants de l’IA.
Mathieu "Boogieplayer" Pasquini retweeted
Le monde à l'envers.
Trump dit que Poutine est son ami alors qu'il a traité le Canada comme "le pire pays au monde".
Il reste encore 26 mois avant la fin de sa Présidence.
Mathieu "Boogieplayer" Pasquini retweeted
ALERTE 🚨. Plus de 350 écrivains et organisations des droits de l'homme exhortent jeudi 19 novembre 2026 la communauté internationale à se mobiliser pour empêcher l'exécution du poète iranien Peynam Farahavar, dans une tribune publiée par @libe.
Âgé de 37 ans, l'écrivain s'est employé à révéler les problèmes environnementaux dont souffre sa région natale de Guilan, dans le nord de l'Iran.
Arrêté en août 2024 par les autorités, il a été accusé d'avoir participé à une attaque contre une école religieuse attribuée à l'organisation des Moudjahidines du peuple iranien.
Selon l'organisation Iran Human Rights (IHR), basée en Norvège, il été condamné un an plus tard à la peine capitale pour ces faits, qu'il aurait reconnu sous la contrainte, selon ses soutiens.
liberation.fr/idees-et-debat…
Mathieu "Boogieplayer" Pasquini retweeted
EMBARRASSING on the world stage: Donald Trump falls asleep during the APEC summit in China
Mathieu "Boogieplayer" Pasquini retweeted
J'ai mis un petit coup de peinture du polradar.fr (il y a de nouvelles features qui arrivent)
Mathieu "Boogieplayer" Pasquini retweeted
1/9
OVHcloud vient d'annoncer Olala mini 7A1B.
7 milliards de paramètres.
1 milliard actif.
256 experts par couche.
Differential-TPA + Mamba-3.
32K de contexte.
Mais la vraie nouveauté n'est pas sa taille.
C'est ce que cette architecture pourrait changer pour l'inférence locale. 🧵
2/9 — Le MoE
Olala mini utilise une architecture Mixture of Experts (MoE).
Contrairement à un modèle dense, les 7 milliards de paramètres ne participent pas tous au calcul de chaque token.
Un mécanisme de routage sélectionne des experts spécialisés.
Résultat annoncé : environ 1 milliard de paramètres actifs par token.
Attention : 1B actif ≠ 1B à stocker en mémoire.
3/9 — L'attention hybride
OVH annonce une combinaison inhabituelle :
• Differential-TPA
• Mamba-3
L'intérêt théorique de cette hybridation est de combiner des mécanismes d'attention capables de représenter des dépendances entre tokens avec des mécanismes de type state-space, adaptés au traitement séquentiel.
L'objectif : limiter le coût du traitement des séquences tout en préservant les capacités du modèle.
Il faudra examiner le rapport technique pour connaître les choix précis d'implémentation.
4/9 — Les performances
OVH annonce :
• RTX A4500 : 160 tokens/s
• CPU seul : 50 tokens/s
• GPU minimum : 8 Go
• Contexte : 32K tokens
Ces chiffres sont prometteurs, mais incomplets.
Sans batch size, quantification, processeur exact, longueur de contexte et conditions de mesure, impossible de comparer sérieusement ces débits.
Et 7B de poids BF16 représentent environ 14 Go avant même le KV cache.
5/9 — Le vrai intérêt : l'inférence métier
Imaginons un pipeline documentaire :
Document → parsing → classification → extraction JSON → validation → stockage.
Aucune de ces opérations ne nécessite systématiquement un LLM géant.
Un modèle compact peut être beaucoup plus pertinent, à condition d'obtenir une précision suffisante sur les données réelles.
Le coût par document traité devient alors une métrique centrale.
6/9 — Une architecture de production
Une approche intéressante consiste à associer :
• SLM local pour routage et classification
• RAG pour récupération documentaire
• Extraction structurée sous schéma JSON
• Validation déterministe
• LLM plus puissant en cas d'incertitude
• Journalisation et contrôles d'accès
Le modèle n'est plus toute l'application.
Il devient un composant interchangeable d'un système maîtrisé.
7/9 — Le point souvent oublié
Un petit modèle n'est pas automatiquement plus fiable.
Il faut mesurer :
• précision, rappel, F1
• taux de JSON valide
• taux de refus et d'hallucination
• p50/p95 de latence
• débit en charge
• coût par 1 000 documents
• impact de la quantification
• robustesse aux entrées malveillantes
Et surtout, tester sur un corpus métier représentatif.
8/9 — Souveraineté
Olala mini a été entraîné sur Jupiter, MeluXina et Jean Zay, trois supercalculateurs européens.
OVH annonce une publication sous Apache 2.0 avec les poids et le rapport technique.
C'est important.
Mais la souveraineté opérationnelle exige aussi de maîtriser le déploiement, les dépendances, les données, les journaux et les autorisations.
9/9 — Conclusion
L'avenir de l'IA d'entreprise ne consiste pas forcément à appeler le plus gros modèle disponible.
Il consiste à sélectionner le modèle approprié pour chaque tâche, puis à mesurer sa fiabilité et son coût.
Chez CODEC, nous défendons cette approche : une IA sur mesure, souveraine et intégrée aux processus métier.
Vous souhaitez construire votre propre IA d'entreprise ? Contactez-nous.
Source : corporate.ovhcloud.com/fr/ne…
Mathieu "Boogieplayer" Pasquini retweeted
🧵 1/10 🍄 Une IA identifie un champignon toxique comme comestible. Un humain meurt. L'IA annonce avoir appris de son erreur.
C'est le scénario d'une caricature LinkedIn que nous avons découverte :
linkedin.com/feed/update/urn…
Amusant, mais techniquement, il manque une distinction fondamentale : un modèle généraliste n'est pas un système décisionnel spécialisé.
Explications. 👇
2/10 🔬 LES CHIFFRES
Kuznetsov et al. (2026), npj Science of Food :
• 12 outils de reconnaissance évalués
• 103 photographies
• Près de 60 espèces
• Meilleur outil : presque 15 % d'échecs
• Plusieurs outils : environ 20 à 40 % d'erreurs
Des performances variables selon les espèces, l'éclairage, les occultations et les conditions de capture.
DOI : 10.1038/s41538-026-00752-4
3/10 ⚠️ LE PIÈGE DE L'ACCURACY
Supposons un classificateur avec 99 % d'accuracy.
Cette métrique ne dit rien, à elle seule, de sa capacité à identifier les espèces mortelles.
Une erreur confondant deux espèces comestibles n'a pas le même coût qu'une amanite mortelle classée comme comestible.
Il faut mesurer la matrice de confusion, les taux de faux négatifs critiques et les performances par sous-population.
4/10 🧠 CLASSIFIER ≠ DÉCIDER
Une architecture de vision peut produire :
P(espèce | image)
Mais cette probabilité n'est pas équivalente à :
P(consommation sans danger | ensemble des observations)
La comestibilité nécessite des informations supplémentaires, parfois absentes de l'image.
Et les probabilités produites par un modèle peuvent être mal calibrées.
Une confiance affichée de 99 % n'est pas automatiquement une fiabilité réelle de 99 %.
5/10 🔧 ARCHITECTURE SPÉCIALISÉE
Un système d'identification plus robuste pourrait comprendre :
Contrôle de la qualité des images
Acquisition de plusieurs vues
Classification visuelle spécialisée
Vérification de caractéristiques morphologiques
Confrontation à une base taxonomique validée
Détection des incohérences
Abstention en cas d'incertitude
Escalade vers une expertise humaine
Attention : il s'agit d'une architecture envisageable, pas d'une garantie de sécurité.
6/10 📐 SELECTIVE PREDICTION
Au lieu de forcer une classification :
ŷ = argmax P(y | x)
On peut définir une politique d'abstention :
si max P(y | x) < τ → abstention
Mais ce seuil n'est pertinent que si les scores sont suffisamment calibrés et évalués.
Il faut mesurer le compromis coverage/risk :
• Coverage : proportion des cas acceptés
• Selective risk : erreur sur les cas acceptés
L'objectif n'est pas seulement de maximiser le nombre de réponses.
C'est de contrôler les risques associés aux réponses effectivement délivrées.
7/10 🛑 ET LE HORS DISTRIBUTION ?
Un modèle entraîné sur des photographies de champignons adultes, correctement éclairés, peut rencontrer :
• Une espèce rarement observée
• Un spécimen immature
• Une photographie floue
• Une espèce absente du jeu d'entraînement
• Des caractéristiques masquées
C'est le problème de l'OOD (Out-of-Distribution).
Un softmax élevé ne garantit pas que l'entrée appartient à la distribution connue.
8/10 🧪 L'ÉVALUATION DOIT REFLÉTER LE RISQUE
Pour un système critique, nous examinerions notamment :
• Sensibilité de détection des espèces dangereuses
• Taux de faux négatifs critiques
• Calibration (ECE, Brier score)
• Robustesse aux variations de capture
• Performance sur espèces inconnues
• Coverage/risk après abstention
• Validation externe sur données indépendantes
Une accuracy agrégée ne suffit pas à autoriser un usage critique.
9/10 🏢 POURQUOI CELA CONCERNE AUSSI L'ENTREPRISE
La même erreur de conception existe dans les assistants documentaires.
Un LLM trouve une information plausible, puis la présente comme certaine.
Un système métier correctement conçu doit pouvoir :
• Retrouver une source autorisée
• Vérifier sa provenance
• Respecter les droits d'accès
• Signaler l'absence de preuve
• Refuser une action non autorisée
• Déclencher une validation humaine
Le RAG, le MCP et les garde-fous ne remplacent pas l'évaluation : ils constituent des composants d'une architecture à maîtriser.
10/10 🎯 LA QUESTION N'EST PAS :
« L'IA peut-elle se tromper ? »
Évidemment.
La véritable question est :
« Comment concevoir un système qui ne transforme pas une incertitude en décision dangereuse ? »
Chez CODEC, nous développons des assistants d'entreprise sur mesure avec cette philosophie : données maîtrisées, accès contrôlés, sources vérifiables et supervision adaptée aux enjeux.
Votre IA. Vos données. Vos règles.
Pour déployer une IA souveraine, adaptée à vos métiers : contactez Shadow Moses.
📚 Sources :
Kuznetsov et al., 2026 :
doi.org/10.1038/s41538-026-0…
Étude Clinical Toxicology :
pubmed.ncbi.nlm.nih.gov/3679…
Recommandations officielles :
sante.gouv.fr/sante-et-envir…
#AI #MachineLearning #AIEngineering #CODEC
Mathieu "Boogieplayer" Pasquini retweeted
Je résume : Des rédactions entières de titre de presse nationale, sous perfusion d'argent public, vont intégrer les technologies d'une même entreprise américaine à leurs processus de travail.
Recherche documentaire, analyse de données, exploration des archives, traduction, adaptation des contenus aux lecteurs et développement de nouveaux outils internes....
On salue la cohérence, étant donné qu'ils revendent déjà nos données de navigation à la moitié de la planète.
Et vive la souveraineté !
Intelligence artificielle : Le Parisien et les médias du groupe LVMH signent un partenariat avec OpenAI
➡️ l.leparisien.fr/TEJ0
Mathieu "Boogieplayer" Pasquini retweeted
On ne peut surtout pas faire croire que l'IA consomme tant d'eau que ça.
Visualisation de @ApoStructura
Sur l'IA, on ne peut pas faire croire aux gens que l'eau et l'énergie sont illimitées.
Aux Etats-Unis, la révolte contre les data centers qui empêchent des villes entières d’avoir accès à l’eau potable a contribué à la défaite des Républicains.
Donc des data centers qui assurent notre souveraineté numérique, pourquoi pas.
Mais je ne veux pas d'une France où les data centers des GAFAM deviennent les nouveaux entrepôts logistiques d'Amazon, qui pullulent partout au détriment de notre environnement et de l’avenir de nos enfants.
Mathieu "Boogieplayer" Pasquini retweeted
Pour l'OCDE, "certains adultes français diplômés de l'université n'ont pas les compétences à l'écrit d'un enfant de 10 ans" marianne.net/societe/educati…
Mathieu "Boogieplayer" Pasquini retweeted
64 % de succès pour une injection de prompt dissimulée dans une image.
Une étude de Northern Arizona University et ByteDance montre comment détourner un modèle vision-langage en environnement black-box, sans accès aux poids, aux gradients ou au prompt système.
Le papier : Image-based Prompt Injection: Hijacking Multimodal LLMs through Visually Embedded Adversarial Instructions (arXiv:2603.03637).
Le mécanisme est particulièrement intéressant.
1. Sélectionner la surface d'attaque
Les chercheurs utilisent Segment Anything Model (SAM) pour segmenter l'image en régions candidates.
Trois critères gouvernent leur sélection :
surface disponible ;
uniformité de texture ;
position spatiale.
Les régions en haut à droite et au milieu inférieur ont notamment donné de bons résultats empiriques.
2. Construire l'instruction adverse
Douze variantes de prompts sont évaluées.
Les instructions fondées sur la répétition obtiennent jusqu'à 100 % de succès dans les tests initiaux, avec du texte beaucoup plus visible.
Mais le véritable objectif est de conserver une efficacité élevée tout en réduisant la visibilité humaine.
3. Adapter l'injection à l'image
GPT-4o identifie préalablement les objets présents dans la photographie.
Ces informations sont réutilisées dans le texte adverse afin de contrer la description normale de l'image.
C'est une forme de semantic priming multimodal : l'attaque connaît la scène qu'elle cherche à détourner.
4. Optimiser le rendu
Trois techniques sont étudiées :
Background-averaged patch coloring : jusqu'à 25 % de succès.
Pixel-level blending : 10 % maximum.
Global region-averaged coloring : 41 % avec le prompt de base, puis 64 % avec préfixe sémantique.
La troisième consiste à calculer la couleur RGB moyenne d'une région et à appliquer un décalage de luminosité aux caractères.
Un décalage de +20 donne les meilleurs résultats rapportés dans cette configuration.
5. Mesurer la frontière entre discrétion et efficacité
Sur les essais de taille de police :
Échelle 0,10 : 0 %
Échelle 0,15 : 1 %
Échelle 0,20 : 10 %
Échelle 0,25 : 26,75 %
Échelle 0,30 : 37,88 %
La surface d'attaque dépend donc directement des propriétés du pipeline visuel.
Attention : les 64 % concernent la production d'une sortie imposée à GPT-4-turbo, sur un protocole expérimental précis. Ce n'est pas un taux de compromission des assistants IA en production.
La véritable vulnérabilité est une rupture de frontière de confiance.
Un modèle multimodal ne doit pas pouvoir promouvoir une instruction trouvée dans un document, une image ou une réponse d'outil au rang d'instruction d'autorité.
Pour les systèmes RAG et MCP, la réponse doit être architecturale :
isolation des contenus non fiables ;
contrôle des permissions côté serveur ;
validation des actions hors LLM ;
limitation des privilèges des outils ;
tests adversariaux multimodaux ;
traçabilité des décisions.
Un modèle souverain peut rester vulnérable à l'injection. La sécurité dépend aussi de toute la chaîne qui l'entoure.
Chez CODEC, notre conviction est simple : une IA d'entreprise doit respecter les règles de l'entreprise, pas celles dissimulées dans les documents qu'elle lit.
Vous souhaitez une IA sur mesure, souveraine et sécurisée ? Parlons-en.
Source : arxiv.org/abs/2603.03637
#AIsecurity #PromptInjection #MultimodalAI #RAG #MCP #CODEC
Mathieu "Boogieplayer" Pasquini retweeted
🐟 Des robots sous-marins identifient des parasites de quelques millimètres sur des saumons en mouvement, prédisent leur trajectoire et les éliminent au laser.
Ce n'est pas de la science-fiction.
C'est de la vision artificielle industrielle, en production depuis plus de dix ans.
Et son déploiement est spectaculaire.
🇳🇴 La société norvégienne Stingray Marine Solutions annonçait en août 2025 :
→ Plus de 2 000 unités laser opérationnelles
→ Plus de 100 millions de saumons et truites surveillés
→ Plus de 130 sites aquacoles en Norvège et en Islande
→ Une surveillance permanente, 24 h/24
Mais l'architecture technique est encore plus intéressante que les chiffres.
1. Acquisition et perception
Le système utilise des caméras stéréoscopiques, des capteurs et un éclairage LED pour observer les poissons en déplacement.
Un éclairage bleu à 450 nm améliore le contraste entre la peau du saumon et les parasites.
La stéréovision permet de localiser les cibles dans l'espace, pas simplement dans une image 2D.
2. Reconnaissance et classification
Des algorithmes de machine learning analysent les images pour détecter les poux de mer (Lepeophtheirus salmonis).
Dès 2019, l'Office européen des brevets indiquait que le système pouvait localiser visuellement un parasite en environ 7 ms.
Une description technique publiée par IEEE Spectrum mentionne une confirmation sur deux images concordantes avant déclenchement.
Il ne suffit donc pas de repérer une anomalie visuelle : il faut confirmer une cible suffisamment fiable.
3. Prédiction de trajectoire
Le saumon nage.
Le parasite se déplace donc avec son hôte.
Le système estime la position future de la cible pour compenser le déplacement du poisson entre la détection et l'impulsion.
Nous sommes dans un problème de perception, de prédiction et de commande temps réel.
4. Action physique
Le dispositif oriente un faisceau laser à l'aide de miroirs mobiles.
Les systèmes décrits utilisent un laser vert, autour de 530 nm.
Le parasite sombre absorbe l'énergie lumineuse, tandis que les écailles réfléchissantes du saumon limitent son absorption.
Les dispositifs actuels peuvent délivrer jusqu'à cinq impulsions par seconde.
La sécurité repose également sur la maîtrise de l'énergie, de l'exposition et des conditions de déclenchement.
5. Le plus intéressant : la boucle de données
Le robot ne sert pas uniquement à éliminer des parasites.
Il permet également de collecter des observations sur :
→ La charge parasitaire
→ Les blessures visibles
→ La croissance et la biomasse
→ Certains indicateurs de santé des poissons
L'ensemble devient un système cyberphysique de surveillance et d'intervention.
Et voici le résultat scientifique qu'il faut connaître.
Une expérimentation publiée en 2020 n'avait pas observé de réduction significative des infestations sur 54 jours.
Une étude plus récente, parue dans Aquaculture en janvier 2026, a observé une probabilité hebdomadaire de traitement complémentaire inférieure de 50 % sur les sites utilisant le laser.
Ce n'est pas une preuve absolue de causalité, mais c'est un signal opérationnel particulièrement intéressant.
Le véritable enseignement dépasse l'aquaculture.
Une IA utile n'a pas nécessairement besoin d'être gigantesque ou conversationnelle.
Elle doit comprendre son environnement, prendre une décision fiable et agir sur un problème concret.
C'est aussi notre approche de l'IA sur mesure chez CODEC : partir du métier, des données et des contraintes réelles, pas d'un modèle générique à la recherche d'un usage.
Votre IA. Vos données. Vos règles.
📚 Sources :
Stingray : stingray.no/en/technology/
Office européen des brevets : epo.org/en/news-events/press…
IEEE : spectrum.ieee.org/licehuntin…
Étude 2020 : pubmed.ncbi.nlm.nih.gov/3259…
Étude 2026 : doi.org/10.1016/j.aquacultur…
Vous souhaitez développer une IA souveraine, spécialisée et adaptée à vos opérations ? Contactez-nous.
#IA #ComputerVision #MachineLearning #EdgeAI #Robotics #CODEC

























