Des plateformes telles que Moovit ou Uber Transit, qui intègrent non seulement les transports en commun mais aussi les VTC, les trottinettes et d'autres services de mobilité, sont en tête. Cependant, il reste encore très difficile d'établir une collaboration efficace avec les services publics. L'exemple de Google Maps, qui regroupe tous ces services dans une seule interface, montre bien la direction vers laquelle nous nous dirigeons : sans une technologie solide, il est difficile de réussir.

Je trouve qu’il y a une vraie question sur l'interopérabilité, la neutralité et le contrôle public face à la domination des acteurs privés. Et qu’on parle d'Open Data, ou de la capacité des plateformes à vraiment unir tous les moyens de transport sans que ce soit une jungle… c’est pas encore gagné. Qu’est-ce que vous en pensez ?

Et le constat reste le même :

👉 L’open data est là, mais elle est rarement utilisée à son vrai potentiel.

Pourquoi ?

• Des données publiées sans standard (PDF, Excel bruts, formats obsolètes)

• Un manque total de documentation ou de mise en contexte

• Très peu de passerelles entre développeurs, designers, journalistes ou acteurs associatifs

Pourtant, quand c’est bien fait, l’open data peut :

• Révéler des inégalités territoriales invisibles

• Améliorer la gestion locale (poubelles, transports, éclairage public)

• Permettre aux citoyens de co-construire des outils utiles (ex. : carte des lieux accessibles, budgets participatifs, transparence des marchés publics)

📌 Je lance donc ce sujet pour échanger sur :

• Vos projets ou outils préférés basés sur de la donnée publique

• Les sources les plus fiables (ou les plus frustrantes) que vous avez rencontrées

• Des bonnes pratiques pour transformer un fichier brut en outil citoyen clair

➕ Bonus : je suis preneuse d’idées pour faciliter les ponts entre développeurs et acteurs du terrain, car la tech sans usage reste une vitrine.

Et pourtant, dans mes échanges en industrie, une question revient souvent chez les ingénieurs et développeurs “classiques” :

👉 Est-ce que ça vaut le coup de s’y mettre maintenant, ou est-ce encore trop tôt ?

Mon avis personnel : oui, c’est le bon moment… à condition d’avoir les bonnes attentes.

✔️ Ce qu’on peut réellement faire aujourd’hui :

• Comprendre les bases : circuits quantiques, superposition, portes logiques

• Expérimenter sur simulateur avec des qubits logiques (jusqu’à 30-40 max en local)

• Tester des petits algos hybrides (VQE, Grover, QAOA)

❌ Ce qu’on ne peut pas (encore) faire :

• Des projets concrets en prod (sauf en R&D très ciblée)

• Exploiter la puissance annoncée sans se heurter au bruit ou à la décohérence

Bref : c’est encore une techno d’exploration, mais ceux qui démarrent maintenant auront une longueur d’avance dans 2 à 5 ans, surtout si les machines atteignent les 10 000 qubits avec correction d’erreur viable.

💬 Je vous pose donc la question :

• Avez-vous déjà testé des plateformes de dev quantique ?

• Quelle a été votre courbe d’apprentissage ?

• Quel serait, selon vous, le meilleur profil pour se former aujourd’hui (physicien ? dev Python ? data scientist ?)

Nous allons être directs : 👉 Les courroies sont séduisantes pour les prototypes, mais nous les déconseillons dans toute application où la précision, la répétabilité et la durée de vie sont critiques.

Pourquoi ?

Même les meilleures courroies GT2 ou HTD introduisent une élasticité résiduelle.

La tension évolue dans le temps (température, usure, décalage).

Le jeu mécanique reste présent, surtout dans les retours de mouvement.

⚙️ À l’inverse, les réducteurs planétaires, cycloïdaux ou harmonics (quand le budget le permet) offrent :

Zéro backlash (ou très faible).

Une meilleure tenue au couple.

Une grande longévité avec peu de maintenance.

Nous ajouterions que même dans les cas où le coût est une contrainte, des systèmes hybrides (ex. : réducteur planétaire + entraînement rigide + encodeur direct) sont souvent plus robustes qu’un système 100 % à courroies.

🔍 Nous sommes curieux d’avoir vos retours :

Avez-vous déjà dû reconcevoir un système à cause du jeu ou de la dérive liée aux courroies ?

Dans quels cas considérez-vous que la courroie reste le bon choix (au-delà du prototypage rapide) ?

Avez-vous des solutions ou astuces efficaces pour compenser le jeu sans exploser le budget ?

Ces informations seraient utiles pour les jeunes concepteurs, mais aussi pour ceux qui passent du prototype à la petite série.

Nous attendons avec impatience vos retours !

• Les modèles comme GPT-4 ont des centaines de milliards de paramètres (ce sont des poids dans un réseau de neurones).

• L'entraînement peut coûter plusieurs millions d’euros en GPU et en énergie.

• On parle de datasets géants : Common Crawl, Wikipedia, livres, GitHub, forums comme Reddit… avec un gros travail de filtrage et de nettoyage.

Le truc dingue, c’est que tout ça repose sur un mécanisme simple mais puissant : le transformer (introduit par Vaswani et al., 2017 — article ici).

C’est cette architecture qui permet au modèle de prendre en compte le contexte entier d’un texte, et pas juste les derniers mots.

En gros :

Un LLM est un modèle statistique extrêmement complexe, entraîné à prédire le mot suivant dans un texte.

Il a été exposé à des centaines de milliards de mots : des livres, des articles, des forums, du code, etc.

À chaque itération, il tente de deviner le mot suivant, compare avec la réponse réelle, puis ajuste ses paramètres internes (via la descente de gradient).

Au fil de milliards de répétitions, il apprend non seulement la grammaire, mais aussi les styles, les concepts, les chaînes logiques, etc.

👉 Ce qu'il ne possède pas : la compréhension "humaine", la capacité de raisonner de manière abstraite, ou plutôt une conscience.

Mais le simple fait qu'il puisse reproduire des schémas cohérents est déjà une prouesse assez impressionnante!

En ce moment, je me forme à l'IA et au machine learning et, comme beaucoup, je suis fascinée par ce que les LLM (comme ChatGPT, Claude, Mistral, etc.) sont capables de faire.

Mais pour être honnête,, je dois avouer que je ne saisis pas totalement comment ils acquièrent ces connaissances. Est-ce qu'ils lisent simplement Wikipédia comme nous le faisons ? Qu'est-ce qu'un "modèle de langage" exactement et comment le rendre apte à rédiger des essais, du code ou même à faire des blagues ?

Si quelqu'un pourrait m'expliquer clairement, sans utiliser un jargon inutile, comment entraîner un LLM, je serais intéressée ! Et aussi pourquoi on le considère si "intelligent" alors qu'on dit que ce n'est qu'une prédiction de mots 🤯