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 !

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 🤯

Je suis sur un projet de petit robot mobile autonome pour la détection d’obstacles, avec capteurs IMU + LIDAR, et je me pose une question que vous avez sûrement rencontrée aussi :

Est-ce que ça vaut encore le coup de coder soi-même les filtres de fusion capteurs (Kalman, low-pass, moving average, complementary…) ou bien les librairies open source du type FilterLib, TinyEKF, ou même ce qu’il y a dans ROS font largement l’affaire ?

J’ai fait un Kalman maison pour m’entraîner, mais je me demande si c’est pas une perte de temps face à des libs éprouvées. Par contre j’aime bien comprendre ce que je mets dans mon système, surtout côté stabilité du contrôle.

Vos retours d’expérience m’intéressent, surtout si vous bossez sur des systèmes embarqués critiques ou contraints en ressources (genre STM32 ou ESP32).

Merci !

Je travaille depuis quelques années en conception de systèmes mécatroniques (petits robots mobiles pour l’industrie logistique), et je voulais lancer une discussion autour d’un point qui revient constamment dans mes projets :

Est-ce qu’il faut d’abord concevoir la mécanique ou l’électronique ? Ou est-ce que ça devrait toujours être simultané, même si dans la réalité, ça l’est rarement ?

Je dis ça parce qu’on a souvent cette tension entre la contrainte physique (géométries, efforts, accès aux composants, poids) et la contrainte fonctionnelle (choix des capteurs, alimentation, protocole de comm, etc.).

Sur mon dernier projet, on a figé le châssis trop tôt, et on s’est retrouvé à faire des pirouettes pour loger proprement le PCB, le LiPo et les câbles de data dans un volume pas du tout prévu pour ça. Résultat : refonte partielle du boîtier + surcoût + délais.

J’ai lu quelques papiers (notamment celui-ci de Siemens sur la co-ingénierie mécatronique : PDF ici), mais sur le terrain, j’ai rarement vu une vraie méthode intégrée appliquée de manière fluide.

Du coup, ma question est double :

🔧 Vous, dans vos projets, vous partez sur une logique mécanique-first, électro-first, ou vous avez une méthode réellement intégrée ?

📐 Est-ce que vous utilisez des outils d’intégration (Simulink, SolidWorks Electrical, co-simulation...) pour limiter les aller-retours, ou c’est encore très séquentiel chez vous aussi ?

Je serais preneur de vos retours, surtout si vous avez vécu les deux approches (industrie, recherche, prototypage perso…). Et si vous avez des recommandations de workflows ou d’outils concrets, je suis preneur aussi.

Merci d’avance pour vos partages 🙌

Je voulais partager une réflexion qui me trotte dans la tête depuis quelque temps. Je suis rédacteur freelance et j’utilise régulièrement des outils d’IA comme ChatGPT pour structurer mes articles, trouver des idées ou reformuler certains passages.

Ces outils sont franchement bluffants, et ils me font gagner un temps fou. Mais plus je les utilise, plus je me demande : est-ce qu’on ne devrait pas simplement dire, noir sur blanc, quand un contenu a été produit (même partiellement) avec l’aide d’une IA ?

Je parle pas d’un texte copié-collé sans retouche, hein. Je parle d’un contenu que j’ai supervisé, relu, corrigé… mais dont une partie vient d’une IA. Est-ce qu’on doit le mentionner ?

Pour ma part, je pense que oui.
Pas pour dramatiser, ni pour se tirer une balle dans le pied, mais juste pour être honnête avec le lecteur. Comme on le fait pour les articles sponsorisés ou les contenus générés automatiquement sur certains sites.

Un petit encart du style “contenu assisté par une IA” serait, à mon sens, une bonne pratique. Simple, discret, mais clair.

🔗 Pour info, le règlement européen sur l’IA (AI Act) prévoit d’imposer ce type de transparence dans certains cas, notamment quand le public pourrait croire qu’un contenu est “humain”. (Source ici)

Hâte de lire vos retours, que vous soyez rédacteur, designer, développeur ou juste observateur curieux 🙂

Du coup je vous pose la question :

• Vous, vous le faites ?

• Vous trouvez ça exagéré ou logique ?

• Vous avez vu des plateformes qui imposent déjà ça?

• Et à partir de quel moment vous considérez qu’un contenu devient “assisté par l’IA” ?

Vos retours m’intéressent vraiment, surtout si vous êtes du côté légal, design ou tech. On est clairement à un moment charnière dans la création numérique.