AI Dev 25 | Panel Discussion: Building AI Application in 2025
Researchers and AI leaders including Thomas Wolf and Percy Liang discuss building AI agents in 2025. They cover the infrastructure needed to support agentic systems, why hallucinations remain a major reliability challenge, and why you need to evaluate entire systems end-to-end, not just language models.
Chapters
Alors.
Merci à tous et bienvenue à ce panel. Nous avons quelques brillants cerveaux présents, dont nous souhaitons discuter de l'actualité de l'IA. Mais avant de commencer, j'aimerais que chacun des intervenants se présente brièvement, présentez-vous et expliquez-nous ce que vous faites. Je commencerai peut-être par ici. Je ne vais pas présenter une diapositive, mais je m'appelle Romain. Je suis cofondateur et directeur commercial de Nebio. Nebio est un cloud d'IA. Je pense que ce panel est l'étape la plus délicate du travail. Nous travaillons en coulisses pour fournir une infrastructure fiable et évolutive permettant aux autres de faire leur travail formidable. Ravis d'être ici. Bonjour à tous, je suis Persil Leong. Je suis professeur à Stanford et cofondateur de Together, où nous construisons un cloud qui permet aux développeurs de progresser. Je pense beaucoup à l'ouverture des modèles de langage, dont nous parlerons, je l'espère, ainsi qu'au benchmarking. Bonjour à tous, Nick Catasta, président de Rapid. J'étais auparavant chercheur en NLM à Stanford et chez Google, et nous développons actuellement Rapid Agent, la plateforme idéale pour créer des logiciels, quel que soit votre parcours. Je m'appelle Thomas Wolf, je suis cofondateur et directeur scientifique de HuggingFace, une plateforme qui fournit des modèles, des jeux de données et des applications. Nous travaillons également beaucoup sur la formation autour de l'open source et des modèles d'IA. Nous avons ici l'intégralité de la pile d'IA, n'est-ce pas ? Nous avons la recherche, les outils de développement, l'infrastructure back-end et la communauté. C'est vraiment génial ! Et je crois qu'il y a un mot que j'ai beaucoup entendu ce matin, ce mot de 5 lettres commençant par « agent ». Et l'un des points que j'aimerais vraiment entendre de la part du panel, c'est que le terme « agent » a été largement utilisé en 2025. Et peut-être que le terme « raisonnement » est aussi utilisé. Mais, comment voyez-vous les choses évoluer ? Si nous étions ici à la même époque l'année prochaine, en 2026, comment développerions-nous ces technologies ? De quoi parlerions-nous alors ? Et quels sont les sujets qui.
Devraient intéresser et préoccuper les développeurs ?
Peut-être commencer et progresser ? Oui. De notre point de vue, nous réfléchissons d'abord à la manière dont l'infrastructure devrait être développée pour soutenir toute cette croissance. Et nous constatons.
Enfin une véritable transition entre la recherche.
Et la préformation, vers le développement. Nous voyons de nombreuses charges de travail d'inférence arriver, et cela est largement influencé par le système agentique des agents. Autre observation, les exigences en matière d'infrastructures deviennent de plus en plus complexes.
Et.
Avancées. Nous ne nous contenterons probablement pas d'une infrastructure physique de base. La manière dont nous développons les couches logicielles.
La plateforme et l'orchestration devient donc cruciale, et c'est ce.
Que nous recherchons. Un autre exemple intéressant est la génération de code IA.
La.
Création du cloud a révolutionné le paradigme et le travail des développeurs. Nous discutons souvent en interne de l'évolution du cloud et de l'infrastructure des développeurs lorsqu'une grande partie du code sera écrite par des agents et des systèmes IA. La question n'est donc pas de savoir à quoi devrait ressembler l'infrastructure complète et fiable pour cette nouvelle génération de développeurs, ni comment elle devrait être optimisée pour tel ou tel API, tel ou tel paradigme, tel ou.
Tel.
Changement de paradigme d'API, etc. C'est ainsi que nous envisageons les choses. Merci. Oui, oui, j'ajouterais peut-être que je considère les agents de trois manières différentes. Premièrement, l'utilisation d'outils et la capacité d'un modèle de langage à se connecter à l'environnement. Cela va clairement ouvrir la voie à de nombreuses applications et automatisations différentes et permettre de créer de l'assistance, etc. C'est très naturel et j'ai hâte. Deuxièmement, la possibilité de passer plus de temps à réfléchir et à résoudre des problèmes. Je trouve cela passionnant, car nous pensons généralement à notre expérience typique avec les modèles de langage. Lorsque vous saisissez une requête et qu'une réponse arrive immédiatement, vous.
Comptez le nombre de jetons par seconde.
Ou le temps jusqu'au premier jeton. Mais vraiment, je pense que l'un des aspects passionnants est qu'on peut imaginer des problèmes beaucoup plus ambitieux, qui prennent des heures, voire des jours, voire des semaines. C'est une façon très différente d'envisager les applications de l'IA. Enfin, du point de vue de la recherche, je trouve cela passionnant.
Car les gens pensent qu'on entraîne le.
Modèle, puis qu'on l'intègre aux agents. Mais ce qui est passionnant, c'est l'apprentissage par renforcement avec agents, qui est également utilisé dans le contexte de l'apprentissage par renforcement pour désigner un système auto-améliorant qui ne se contente pas d'opérer dans le monde réel, mais qui s'améliore réellement. Et si nous parvenons à obtenir l'équivalent d'un pré-entraînement pour l'apprentissage par renforcement, en nous appuyant sur un ensemble.
Vaste et diversifié d'expériences, nous pourrions alors.
Construire une IA bien plus performante. Et Mikkel, avec Replay, vous avez développé un outil pour les développeurs d'IA. Vous savez quel sera l'impact du développement d'agents sur vos activités et comment les aidez-vous à y parvenir ?
Je pense que nous avons passé l'année.
Dernière à nous préparer à ce moment. Et si je peux oser faire une prédiction en IA, ce qui est généralement peu probable, je m'attends à ce que 2026 soit l'année des agents, etc. La raison en est l'accélération de la recherche, de l'apprentissage profond jusqu'à ce que nous appelons aujourd'hui, je suppose, le génie, qui a permis à ce moment d'arriver. Par exemple, l'idée d'avoir des agents fiables pour plusieurs tâches différentes. Certains me semblent déjà assez performants, tandis que d'autres s'attendent à ce qu'ils deviennent plus fiables et plus autonomes au fil du temps. Et nous venons de commencer, vous savez, si vous utilisez l'analogie de la conduite autonome, où nous avons expérimenté différents niveaux d'autonomie, la même chose se produit actuellement avec les agents. Je n'oserais pas dire que l'habitation est aujourd'hui de niveau 4 ou 5. On est probablement au niveau 2,5, voire 3. Et vous savez, il va nous falloir de plus en plus d'années pour atteindre le niveau d'autonomie et d'indépendance que je souhaite. Donc oui, je prédis qu'on va continuer à en parler, peu importe comment l'industrie les appelle, pendant un certain temps encore. Super, et puis, il y a eu, Hug in face. Vous avez fait un travail incroyable en rendant l'open source vraiment open source. Vous savez, en créant des référentiels de modèles, de données et de codes que nous pouvons utiliser pour commencer à travailler avec des modèles. Mais si nous voulons commencer à construire des systèmes agentiques, où pensez-vous que HuggingFace pourrait nous aider ? Quel rôle jouerait HuggingFace dans ce domaine ? Oui, c'est une bonne question. Nous avons beaucoup réfléchi et nous avons commencé récemment. En fait, nous avons commencé juste le soir du nouvel an 2025. Nous avons publié la première, Éducation. Nous avons commencé par l'éducation. Nous avons donc lancé une bibliothèque d'agents simples d'utilisation, appelée Small Agent. Son objectif principal était de démontrer qu'il n'est pas nécessaire d'avoir un million de lignes de code. Un framework d'agents permet d'avoir des milliers de lignes de code aussi simples, en s'appuyant sur le fait que les LLM permettent déjà d'écrire du très bon code. De nombreux outils de codage, par exemple, peuvent le faire naturellement, n'est-ce pas ? Le mois dernier, nous avons également lancé une première formation sur les agents. Nous avons été impressionnés par l'accueil réservé à cette formation. Sept jours plus tard, nous avions déjà près de 100 000 inscriptions. Et la formation est en pleine expansion. Cela a démontré que la communauté souhaite vraiment apprendre à connaître et à utiliser les agents. Il y a donc une démocratisation considérable, et je pense que tout le monde souhaite commencer à utiliser ces outils. Et je pense que de la même manière, ce que j'ai observé plus généralement dans le domaine, et je pense que c'est une grande tendance pour 2025, c'est qu'on parle moins de publication de modèles et davantage de publication de produits et d'agents. La dernière version d'OpenA est SSDK d'agent, c'est un bon exemple, peut-être même plus visible que GPT 4.5, qui aurait généralement fait les gros titres en 2024. J'ai l'impression qu'on passe d'une focalisation sur le LLM à une focalisation sur les produits, les agents ou les frameworks, en gros, sur des choses à développer. Je pense que c'est une excellente chose. Cela permettra peut-être de dégonfler un peu la bulle qui se pose. Une nouvelle bulle arrive ? Que pouvons-nous en faire ? Et de se concentrer davantage sur la création. Et on le voit aussi dans les startups. Vous savez, il y a des pistes, beaucoup d'entreprises qui construisent des choses vraiment utiles, et on se fiche un peu. Peut-être, oh, on se soucie moins du LM qui alimente tout ça, non ? Ce n'est pas vraiment le but. Moins de ça. Je pense que c'est très bien, ça permet à tout le monde de se recentrer, de revenir à ce que nous connaissons, ce qui est, je pense, une bonne chose pour l'ère du développement IA d'aujourd'hui. Nous voulons construire des choses, n'est-ce pas, avec l'IA. Nous ne voulons pas seulement construire de l'IA, nous voulons construire des choses avec l'IA. Oui, et je pense que c'est exactement le bon point. J'aime ce qu'Anne Voix dit plus tôt et j'ai reformulé sa phrase différemment. Pour moi, il s'agit d'avancer vite et de créer des choses. Ce que j'apprécie et j'encourage vraiment les gens à penser en ces termes. Avancer vite, être responsable, avancer vite et créer des choses. Mais je dirais aussi que, compte tenu de l'intérêt et de l'engouement suscités par les agents, il ne faut pas oublier qu'ils reposent généralement sur des LLM, et que ces derniers présentent des problèmes de fiabilité, des hallucinations, etc. L'une des principales questions que l'on me pose lorsque je conseille des entreprises et que je les aide à développer leur stratégie d'agent, c'est comment atténuer ces problèmes. Et vous savez quoi ? Comment garantir la qualité des applications d'agents dans un domaine où les LLM sont hallucinants ? Percy, je sais que c'est l'un de tes domaines de.
Prédilection. J'aimerais beaucoup avoir ton avis à.
Ce sujet. Oui, je m'intéresse depuis un certain temps à l'évaluation et à la robustesse. Il est clair que les performances des LMS et des agents sont inégales. Je dirais qu'il est important de bien comprendre quand on peut compter sur eux et.
Quand on ne peut pas. Et dans.
Certains cas, où vous avez un vérificateur formel en qui vous avez confiance, c'est acceptable. N'est-ce pas ? Si vous avez des hallucinations, ou si vous obtenez une mauvaise réponse, dans 40% des cas, vous essayez quelques fois et au moins, ça prend plus de temps, mais au moins, tout ira bien. Mais dans les cas où vous ne pouvez pas vérifier et que vous n'avez qu'une seule chance, il faut.
Être très prudent et.
Éviter de déployer des agents dans ces contextes. Et bien sûr, il existe un excellent compromis. Quel est l'enjeu ? Je pense que nous parlerons plus tard de l'évaluation, mais je pense toujours qu'il faut commencer par.
L'Évaluation et déterminer ce qu'il faut mesurer.
En premier, car cela permet de prendre des décisions rationnelles. Immédiatement, le vieil adage dit, on est ce que l'on mesure, n'est-ce pas ? Et je sais, Romain, tu disais que l'infrastructure était la partie la moins attrayante, mais je ne.
Suis pas d'accord. Pour surmonter ce genre.
De problème, il faut une bonne infrastructure et une structure solide. Quels conseils donnerais-tu aux acteurs de ce secteur ? Je voulais revenir sur le fait que nous constatons actuellement de nombreux progrès, par exemple dans la génération de code. Nous constatons donc une réelle dynamique dans le secteur ESS à de nombreux égards. L'une des principales raisons est que, dans ce domaine, il existe une sorte de processus de validation formelle. On peut donc effectuer des tests et voir si cela fonctionne. Et.
Par exemple, du côté de l'infrastructure, pour.
Soutenir le fonctionnement d'un système génétique, l'important est de construire un système capable de reproduire un grand nombre d'exécutions. En fait, il vous faut une infrastructure capable de reproduire l'environnement avec une certaine garantie. Nous savons que dans les systèmes complexes, l'environnement est important. Voici un exemple de l'infrastructure qui peut se résumer à une machine virtuelle ou à Kubernetes, et que vous pouvez adapter au développement du système agentique. On a beaucoup parlé de génération de code, mais je suis particulièrement intéressé par le fait de ne pas se limiter à la génération de code avec l'IA générative. Il y a tout ce qu'il est possible de faire autour de votre code. La documentation, le débogage, tout ce qui complique la tâche du développeur, peut être grandement simplifiée grâce à la réalité augmentée agentique ou à l'IA générative. Et je suis curieux, Mikkel, de savoir ce que vous pensez de Replay. Aider les gens non seulement à écrire du code, mais aussi à écrire tout ce qui est associé jusqu'à la configuration du matériel ? Oui, vous avez tout à fait raison. L'important pour un développeur n'est pas seulement de générer du code, mais aussi de gérer toutes les autres activités qui lui prennent tout son temps. Nous essayons donc d'adopter une approche holistique du problème, en partant du principe que les LLM sont de plus en plus performants en génération de codes, parfois même supérieurs à l'humain moyen, et en étendant notre agent à toutes les autres tâches qu'un utilisateur devrait effectuer pour créer son application avec succès. Et, en ce qui concerne les hallucinations, mon cadre est le suivant. D'un côté, il y a tout le travail que des chercheurs comme Percy et d'autres effectuent pour minimiser le nombre d'erreurs commises par un LLM. De l'autre, les développeurs d'agents doivent accepter que ces erreurs.
Se produiront quoi qu'il arrive. Et c'est.
Très similaire à ce qui se passe avec les développeurs humains.
On ne s'attend pas à une fiabilité.
À 100%. On compense en construisant des outils et une infrastructure qui permettent de réduire le rayon d'action des erreurs. Dans notre cas, par exemple, avec notre agent, on peut revenir rapidement à une version antérieure et revenir à quelque chose qui fonctionnait. Nous disposons de nombreux outils pour le débogage automatique, et plus nous automatisons, plus l'expérience utilisateur sera fluide et transparente. Ces derniers mois, nos efforts n'ont pas porté sur la génération de code, mais sur toutes les autres activités auxquelles les développeurs consacrent du temps. Cela garantit une meilleure qualité de production. Quant à la qualité, je suis très curieux. Avec Hugging Face, Thomas.
Vous êtes, à bien des égards, au.
Cœur de la révolution de l'IA. Que pensez-vous de la qualité du.
Développement du code et des modèles ?
Nous aborderons le benchmarking dans un instant, mais je suis curieux de connaître l'impact de l'IA génératif sur la qualité globale. Notre approche consiste à essayer de, donc, eux, il s'agit vraiment d'évaluer et d'encourager l'évaluation des modèles, et je pense que l'évaluation des agents en particulier est un domaine où elle n'en est qu'à ses débuts. Je pense que la plupart, par exemple chez FASS, outre la fourniture de modèles et d'ensemble de données, nous avons beaucoup travaillé sur la création de classements et de benchmarks. Ces dernières années, nous avons eu recours au classement OpenLLM. Nous avons effectué quelques itérations autour de l'évaluation standard, et nous l'avons abandonné hier. En fait, nous avons arrêté et l'idée est que, d'ici 2025, toutes les évaluations devraient être basées sur des agents. Nous pensons que la façon dont les modèles devraient être utilisés sera de plus en plus utilisée. Nous pensons donc que conserver cette ancienne méthode, qui consistait simplement à tester les connaissances du modèle, n'est pas une bonne solution pour l'avenir. Nous discutions avec Michi juste avant d'entrer dans le vif du sujet, le très petit nombre d'agents de code dont nous disposons actuellement sont évalués correctement. Nous avons SWE, et c'est presque tout, mais il existe d'autres méthodes, très anciennes, je dirais, mais il est absolument nécessaire de trouver de meilleures méthodes pour comprendre où et comment ce nouveau type de système d'IA échoue. C'est intéressant de constater que l'équipe qui crée ces modèles d'IA, Anthropic par exemple, n'est pas toujours celle qui en tire le meilleur parti lors de l'intégration d'un agent. Prenons l'exemple de replay. Manus a fait grand bruit le mois dernier. En fait, il s'agit d'utiliser ce LLM de manière bien plus efficace, ou du moins apparemment bien plus efficace sur certaines tâches. Il y a donc toute cette évaluation qui ne se résume pas à évaluer le LLM, mais qui évalue le système dans son ensemble pour comprendre où se trouvent les erreurs, et elles ne sont pas toujours des illusions. Elles sont parfois beaucoup plus polymorphes, je pense. Et cela m'amène aux benchmarks. Je reçois souvent beaucoup de critiques dans l'industrie, avec l'arrivée massive de nouveaux modèles, et chaque modèle semble prétendre être plus performant sur tel benchmark que sur tel autre. Et par conséquent, avec de nouveaux modèles, de nouveaux benchmarks et de nouveaux résultats par rapport aux benchmarks, on a presque l'impression que les benchmarks sont dévalorisés. Qu'en pensez-vous ? Et vous ? J'aimerais connaître votre avis là-dessus, tout d'abord. Pouvez-vous imaginer un moyen d'évaluer les modèles mieux que de.
Simples benchmarks ? Commençons par Roman. Je.
Voulais d'abord m'appuyer sur les propos de Thomas. Au final, l'approche d'évaluation devrait passer de l'analyse comparative des composants à l'analyse comparative des systèmes. En fin de compte, peu importe.
Le nombre d'erreurs commises si le résultat final est correct. On.
Arrive alors à une situation où la définition des métriques ou des benchmarks devient une tâche beaucoup plus spécialisée pour la tâche à résoudre. N'est-ce pas ? Il faut donc conserver une compréhension générique de la qualité, mais la concurrence, la course.
Fait en sorte que l'écart se réduit.
Progressivement, ce qui est prévisible. Je pense que nous verrons, selon mes prévisions, de nombreux benchmarks se déplacer vers, disons, l'application, voire le côté client. Les entreprises définiront donc leur compréhension de ce qui est important et mesureront le système global, et pas seulement le LLM ou tout autre composant. Marcy, qui travaille sur les benchmarks depuis un certain temps, pense que tous les benchmarks sont erronés. Ils mesurent la mauvaise chose. Chaque benchmark mesure la mauvaise.
Chose. Je suis ravi que vous ayez dit ça, pas moi. Mais en même temps, vous considérez chaque benchmark comme un substitut, et certains sont peut-être plus proches que d'autres, n'est-ce pas ? Et je pense qu'il y a un compromis. Personnellement, je ne pense pas qu'il faille abandonner tous les benchmarks et se limiter à une évaluation de bout en bout, car je pense que oui. Le benchmarking a un rôle important, il permet simplement d'obtenir des informations sur le fonctionnement de votre système, quels éléments fonctionnent, n'est-ce pas ? D'un côté, on est perplexe, non pas en ce qui concerne l'entreprise, mais plutôt en ce qui concerne la mesure, qui correspond à une perte logarithmique de vos données. C'est très éloigné de toute application réelle, mais je pense que c'est très utile pour le développement de modèles, car cela permet de mesurer très finement les progrès. Ensuite, il y a peut-être les QCM, les questions-réponses, dont on peut se moquer, mais qui, je pense, ont clairement permis de nombreux progrès en IA, vers des benchmarks plus réalistes, vers des solutions écologiquement valables. Et je dirais que tout cela fournit des informations, n'est-ce pas ? Et je pense que l'important est d'apprendre à associer les informations de n'importe quel benchmark à ce qui nous intéresse. Les gens commencent à développer des intuitions sur le MMLU, n'est-ce pas ? Ce n'est clairement pas lié à la tâche de qui que ce soit, mais c'est quand même utile et corrélé. Nous avons vu des recherches qui examinent les benchmarks et leur corrélation entre les modèles, et beaucoup d'entre eux sont en fait très bien corrélés, même si, à première vue, ils semblent mesurer la mauvaise chose, n'est-ce pas ? Donc, je pense que le cadre dans lequel je conçois cela consiste à mesurer tous les éléments, à examiner tous les chiffres et à les.
Intégrer dans des Ions pour déterminer ceux auxquels on peut se fier. Et au final, bien sûr, il faut évaluer le système final, mais on peut aussi exploiter toutes les informations si l'on sait lire les chiffres. Excellent conseil, merci, Percy. Et Michael ? Je vais suivre ce que Percy disait. Oui, tous les benchmarks sont erronés, mais nous en.
Avons cruellement besoin, surtout dans le domaine.
Du codage. Je suis ravi que le monde universitaire y travaille, je suis ravi.
Que des entreprises comme AFACE soit un.
Véritable modèle dans ce domaine, en créant de nombreux benchmarks. Et je pense que même des startups plus modestes comme REVI, sur lesquelles nous commencions à travailler, peuvent contribuer aux benchmarks. C'est incroyable à quel point on peut influencer le secteur en publiant un benchmark exceptionnel et largement adopté, comme Tinkles WeBench dont Thomas parlait. Il n'a pas été publié par une grande entreprise. Il a été publié par un petit groupe de personnes à Princeton et est utilisé depuis quelques années. J'encourage donc tout le monde à essayer de cerner le problème. Il le publie progressivement et le publie sous forme d'évaluation. Il pourrait être largement adopté, même de manière inattendue, et c'est exactement ce dont nous avons besoin. Je participe souvent à des appels avec Entropy, Google et d'autres pour expliquer les problèmes de notre agent. Décrire précisément ce qui ne va pas, c'est important, et fournir des étapes reproductibles pour identifier les dysfonctionnements. Je suis donc ravi que de nombreux doctorants me demandent souvent s'il est judicieux de créer un programme de doctorat, compte tenu de la formation dispensée dans le secteur. Je leur réponds toujours, oui, créer des benchmarks. C'est ainsi que vous pouvez influencer le secteur, c'est très intéressant. Thomas. Oui, je pense qu'on peut aussi penser aux benchmarks, car ils nous obligent à nous projeter dans l'avenir. Prenons l'exemple du benchmark Gaia, qui est devenu un peu visible cette année grâce à 0.3 et aux agents. Nous avons créé ce benchmark avec Yanuka et ses collègues, Coers, Clam et Gregory. Il y a un an, nous nous disions que c'était presque impossible pour un agent. Lorsqu'ils réussissent un benchmark, ils doivent naviguer sur le web, trouver un site web, cliquer sur des éléments pour les utiliser, comme beaucoup de choses qui étaient presque impossibles à utiliser il y a un an. Mais cette année, d'énormes progrès ont été réalisés sur ce benchmark en quelques mois seulement. L'avantage du benchmark, c'est qu'il vous oblige à vous demander ce qui est totalement impossible à construire pour l'instant, mais j'aimerais vraiment que cela se produise dans deux ans. C'est une bonne façon, je pense, de réfléchir à la façon de construire une application, un système, ou peut-être simplement de construire l'avenir en général. Puis-je ajouter quelque chose ? Ceci découle du commentaire de Mackella, vous utilisez tous des modèles de langage. Donc, s'il vous plaît, chaque fois que vous utilisez un modèle de langage et qu'il échoue, c'est une donnée précieuse. Alors, s'il vous plaît, publiez-le quelque part, dans un dépôt et tweetez-le, car collectivement, je pense que c'est comme ça qu'on construit un benchmark. Vous découvrez tous les cas d'utilisation réelle, plutôt que de vous fier aux universitaires. Que savons-nous de vous ? Vous utilisez réellement ces systèmes. Nous voulons montrer que certains sponsors cloud devraient nous fournir un espace de stockage cloud, et que chacun puisse y télécharger ses données pour que nous puissions disposer de cette collection. Il ne nous reste que quelques minutes.
Alors je voulais juste aborder un dernier.
Point. Nous sommes dans un environnement de l'IA en constante évolution, et il peut être difficile de suivre le rythme. J'aimerais beaucoup connaître les conseils de chaque panel, et commencer par le mien. La première chose à faire est d'aller sur LinkedIn et Twitter, et de trouver les personnes très impliquées dans le domaine de l'IA, et de les ignorer, car il y a tellement de buzz. À quelques exceptions près, bien sûr. Il y a tellement de batages médiatiques autour de l'IA, et beaucoup de gens s'engagent en vous disant que le codage est mort, ou ce genre de choses. Alors, ignorez complètement ça et investissez plutôt votre temps dans l'éducation. Investissez plutôt votre temps en suivant des formations courtes ou longues sur l'apprentissage profond. Et je pense que c'est la seule façon de vraiment distinguer le signal du bruit. Voilà mon conseil. Et peut-être, en commençant par Thomas et en abordant ce sujet, quel conseil.
Donneriez-Vous.
Aux développeurs pour se préparer ? Oh, c'est une question difficile. Je dirais, oui, il faut rester, il faut rester. L'IA est un bon moyen de rester jeune, car il faut s'attaquer à de nouvelles choses chaque année, n'est-ce pas ? Cette année, c'est agent, donc il faut, il faut comprendre. J'essaie déjà de me préparer pour l'année prochaine et celle d'après. Je pense que la robotique est un domaine que tu devrais commencer à suivre. Ça va arriver. L'IA pour la science, tu sais, pas seulement un master pour écrire, mais un master pour inventer des protéines, découvrir des matériaux. Ça va arriver dans les deux ans à venir. Alors, prépare-toi, libère un peu de ce vieux cadre que tu peux oublier et prépare-toi à apprendre de nouvelles choses. Tu dis que ça nous garde jeunes. J'avais les cheveux noirs à le début. Pareil, pas seulement toi, Michael. Je dirais construire du public. C'est vrai qu'il y a une partie de la population qui vit des réseaux sociaux et qui fait juste de l'engagement. Mais il y a aussi une longue liste de bâtisseurs exceptionnels qui sont là pour partager leurs opinions et leurs leçons. Et on ne peut pas vraiment apprendre si on ne commence pas à construire de ses propres mains. C'est comme ça qu'on a une intuition de ce qui fonctionne et de ce qui ne fonctionne pas aujourd'hui. Aujourd'hui, et je pense que cela vous informe également sur l'avenir. Personnellement, c'était à l'époque où je voyais un écart important entre les benchmarks passifs innaissants. On faisait beaucoup de tentatives différentes, ce que l'on observe aujourd'hui, mais différemment avec le calcul des temps de test. on peut se faire une idée de ce que l'on sera capable de faire de manière fiable.
Dans 6 à 12 mois. C'est probablement ce qu'il faut commencer à construire dès aujourd'hui, car on sait que dans un an, on sera capable de le livrer sous forme de produit. Donc, oui, il faut être ouvert d'esprit face à l'avenir. C'est ma recommandation. Même s'il y a beaucoup de changements, de bouleversements et de progrès en IA, je pense que les constantes sont les problèmes, et non pas la nécessité de vraiment réfléchir aux problèmes à résoudre. Examinez les données. Je ne sais pas combien de fois je viens discuter avec des gens qui essaient de résoudre un problème. Ils ne se basent pas sur les indicateurs, mais sur les plateformes, les boîtes à outils et les modèles les plus récents, sans se concentrer sur les données pour voir ce que fait le modèle lui-même. Alors, s'il vous plaît, faites-le, car je pense que c'est la constante, non ? Tout le reste, ça va et vient. Demain.
Ce sera une plateforme ou un cadre différent, mais construire les intuitions pour votre problème, le problème que vous essayez de résoudre, et en faire une référence, si vous voulez, je pense que c'est la constante, d'une certaine manière. Ça a l'air bien. Oui, je ne sais pas quel conseil donner. Je dirais peut-être quel est mon principal défi et quel conseil j'aimerais me donner. Et je pense que le plus grand défi, c'est que tout change si vite, et chaque semaine, on se réveille avec le sentiment d'avoir tout perdu, d'être en retard, que tout a changé, et qu'on n'en a plus besoin, etc. Et.
Je.
Pense à cette résilience qui consiste à se concentrer sur la résolution de tâches et de problèmes concrets. C'est très important, et si on la maintient, on commence à voir beaucoup de progrès, mais toujours si peu d'implications concrètes dans la vie. Et si l'on regarde les consommateurs ou les entreprises, comme nous, qui sommes encore au tout début d'une véritable adoption, il y a tellement de problèmes à résoudre à l'avenir, alors il faut rester résilient, et on trouvera une solution. C'est probablement le conseil que je me suis donné. Très bien. C'est toujours bon de se donner des conseils, et j'aime conclure par un encouragement à tout le monde. C'est un point qu'Andrew a évoqué plus tôt dans son discours, lorsqu'il racontait l'histoire.
De Tommy, qui travaille avec Andrew, expert.
En histoire de l'art, et qui l'a aidé à élaborer un meilleur sujet. Je pense qu'avec l'automatisation croissante et la capacité croissante de l'IA à se développer, l'expertise et la connaissance du domaine gagnent en valeur. On entend souvent dire que c'est moins précieux, mais ce n'est pas le cas. Cette expertise, que ce soit en codage, dans le secteur d'activité, médecine, cinéma, droit, etc., se développer et pouvoir l'exprimer de manière à pouvoir évoluer et créer de meilleures applications sera extrêmement précieuse à l'avenir. Participer à des événements comme celui-ci et.
