dotAI 2024
Thème : It's Time to Ship AI
Site archivé (nouvel onglet) ↗Programme (nouvel onglet) ↗Chaîne YouTube (nouvel onglet) ↗Synthèse de octobre 2024 →
17 et 18 octobre 2024, théâtre des Folies Bergère (« october 17-18, 2024 », site officiel archivé). Retour des dotConferences après une pause forcée de 4 ans. Une piste, talks de 20 minutes maximum, lightning talks après le déjeuner, Q&A en direct ; maîtresse de cérémonie Claire Lebarz (Malt). Thème « It's Time to Ship AI » et « plus de 600 participants, sur place et en ligne » selon un article partenaire de Frenchweb. Jour de chaque talk d'après la mention « Filmed at dotAI on October 17/18 » des descriptions YouTube.
Pour son retour après quatre ans de pause, dotAI a posé le passage de la recherche au produit : petits modèles ouverts et distillés (Gemma, Danube, Moshi), inférence et génération contrainte comme nouveau terrain d'ingénierie (ZML, Koyeb, TitanML), voix temps réel (OpenAI, Kyutai), avec des rappels sur le coût carbone, l'équité et la confiance (Pekelman, Detyniecki, Doctolib).
23 sessions résumées · 23 vidéos · mise à jour le jeudi 8 octobre 2026 · synthèse à compléter
Sources lues et limites de cette synthèse
Corpus : Page speakers et page d'accueil officielles archivées (Wayback Machine, 23 sessions annoncées), playlist dotAI 2024 de la chaîne dotConferences (23 vidéos publiées le 23/10/2024, dont 21 transcrites automatiquement ; transcript du talk de Pierre Stock bloqué par une erreur 429) et un article partenaire de Frenchweb (18/11/2024). Neuf recherches web (LinkedIn, blogs, slides, presse) n'ont rien apporté d'autre.
Limites : Synthèse construite presque entièrement sur les transcriptions automatiques des talks : elle dit ce qui a été dit sur scène, pas ce que le public en a retenu. Aucun post LinkedIn, billet de blog ni fil Bluesky de participant trouvé ; le seul compte-rendu (Frenchweb) est un contenu partenaire. Le talk de Pierre Stock n'est connu que par son descriptif, celui de Raffi Sarkissian (Lago) n'a ni vidéo ni retour.
Synthèse globale
1. Du labo au produit : « il est temps de livrer »
Le thème annoncé, « It's Time to Ship AI » (Frenchweb), traverse les deux journées. Stanislas Polu (Dust) ouvre en expliquant avoir quitté OpenAI parce que GPT-4 était sous-déployé : le verrou est la couche produit, pas le modèle. Daniel Phiri (Weaviate) reprend cet appel le jour même (« trop d'infrastructure, pas assez d'applications en production »), Sri Satish Ambati (H2O.ai) oppose le « temps jusqu'à la première démo » au « temps jusqu'à la production ». Deux lancements concrets illustrent le passage à l'échelle : l'assistant de consultation de Doctolib, annoncé sur scène, et le modèle d'image entraîné de zéro par Photoroom, servi à 300 ou 400 images par seconde (Eliot Andres).
2. Open source et petits modèles distillés
Le consensus le plus net de l'édition est que les petits modèles ouverts suffisent souvent. Merve Noyan (Hugging Face) affirme que « l'open source rattrape toujours » et que 80 % du coût d'un modèle est à l'inférence. Armand Joulin (Google DeepMind) livre la recette de Gemma 2 : distiller la distribution de probabilité d'un grand enseignant plutôt qu'apprendre le seul token suivant. Ines Montani (Explosion) pousse le raisonnement plus loin avec des composants spécialisés de quelques mégaoctets, Neil Zeghidour (Kyutai) publie poids, code et article de Moshi et le fait tourner sur un MacBook, Ambati montre des modèles Danube hors ligne sur un vieux téléphone, Pierre Stock (Mistral AI) traite des modèles de 1 à 3 milliards de paramètres pour l'edge.
3. L'inférence, nouveau terrain d'ingénierie
Plusieurs talks déplacent l'effort de l'entraînement vers l'inférence. Steeve Morin (ZML) construit une pile d'inférence sans Python, compilée pour CUDA, ROCm et TPU ; Yann Léger (Koyeb) le cite le même jour comme une réponse aux puces sous-utilisées faute de logiciel, et prédit un prix d'inférence divisé par dix. Meryem Arik (TitanML) défend la génération contrainte à l'inférence pour des sorties structurées garanties, et y voit le début d'une tendance plus large (RAG, o1, filtres de récompense). Andres (distillation des étapes, TensorRT) et Maxim Zaks (Mojo) complètent ce tableau d'une ingénierie de la performance.
4. La voix et le multimodal en temps réel
Deux approches de la voix se succèdent. OpenAI (Romain Huet, Katia Gil Guzman) présente l'API Realtime avec démos d'interruption et d'appels d'outils pilotés à la voix ; Kyutai (Zeghidour) défend un modèle full duplex open source qui écoute pendant qu'il parle, là où les modes vocaux restent selon lui des talkies-walkies. Phiri plaide pour des systèmes multimodaux composés de plusieurs modèles plutôt que d'une boîte magique, et Johannes Dienst (AskUI) montre des agents qui pilotent l'interface à partir de captures d'écran, à condition d'ancrer le modèle généraliste avec un détecteur spécialisé.
5. Outiller et contraindre les agents
Les retours d'expérience convergent sur une idée : ne pas compter sur la bonne volonté du modèle. Grigorij Dudnik (Clean Coder) remplace les consignes répétées en majuscules par des automatismes et réduit chaque agent à une seule responsabilité ; Audrey Roy Greenfeld (Answer.AI) sépare l'agent rédacteur de l'agent éditeur ; Arik préfère le filtrage des tokens aux menaces dans le prompt ; Marjolaine Grondin (Jam) fait noter les réponses par l'IA puis par un autre modèle. Montani ajoute un garde-fou de conception : vérifier qu'on ne construit pas une « machine à frapper aux fenêtres » quand un « réveil » non conversationnel ferait mieux.
6. Coût, énergie et souveraineté
Ori Pekelman (Platform.sh) donne le ton le plus critique : environ 11 mégatonnes de CO2 par an pour les LLM selon ses estimations, et des usages qui se résoudraient par une simple requête dans pgvector. Gaël Varoquaux (Inria, Probabl) relève que le rapport coût/bénéfice revient dans « plusieurs talks » et qu'une régression logistique bien préparée reste une baseline redoutable. Léger cite la part croissante de l'IA dans l'électricité des datacenters, Andres revendique un cluster de 256 H100 près d'un barrage. Côté politique, Clara Chappaz annonce le Sommet pour l'action sur l'IA de février 2025 et reconnaît, avec le rapport Draghi, que l'Europe construit la technologie mais tarde à l'adopter.
7. Confiance, équité et place de l'humain
Marcin Detyniecki montre que retirer une variable sensible ne supprime pas le biais, qu'il faut y accéder pour corriger, et que choisir une définition de l'équité est un arbitrage humain : « la justice ne devrait pas être aveugle ». Doctolib (Laure Seugé, Arthur Talpaert) met en avant l'empathie, la co-construction avec des soignants et la validation obligatoire par le médecin. Roy Greenfeld s'inquiète d'avoir reconstitué sans le vouloir la mécanique d'une usine à fausses nouvelles, et Grondin parle du « cadeau inconfortable » d'une IA qui oblige à se demander ce qui nous rend humains.
8. Tensions et critiques
- Talks d'éditeurs : le site promettait « pas de discours marketing, des créneaux non vendus », mais plusieurs talks sont largement des présentations de produits (OpenAI, H2O.ai, Koyeb, Doctolib, Photoroom).
- Désaccords implicites : Polu juge qu'o1 n'est qu'une façon d'exploiter plus de calcul, quand OpenAI le présente comme le chaînon manquant des agents ; Pekelman balaie l'argument du datacenter près d'un barrage, celui même qu'avance Photoroom.
- Chiffres invérifiables : 11 mégatonnes de CO2, 28 % de l'électricité des datacenters américains, prix d'inférence divisé par dix, 20 millions de téléchargements de Gemma, Moshi meilleur que Siri : tous avancés par les speakers ou par un contenu partenaire.
9. Format et biais du corpus
Retour du format dotConferences après quatre ans de pause : une piste, deux jours aux Folies Bergère, talks de 20 minutes au plus, lightning talks l'après-midi, Q&A en direct, Claire Lebarz (Malt) en maîtresse de cérémonie, « plus de 600 participants » selon Frenchweb. Le corpus est très déséquilibré : 21 transcriptions automatiques, un article partenaire et aucun retour de participant trouvé. Cette synthèse dit ce qui a été présenté sur scène, pas ce que le public en a retenu.
Actions concrètes citées
- Chercher dans son propre travail une tâche de 20 à 30 minutes à automatiser ou augmenter : c'est l'horizon que les LLM actuels couvrent, et la couche produit reste sous-exploitée (Polu).
- Pour obtenir une sortie structurée fiable, préférer la génération contrainte (filtrage des tokens illégaux à l'inférence) au prompt, aux boucles de retry ou au fine-tuning (Arik).
- Découper une tâche LLM en petits composants spécialisés entraînés sur ses propres données, l'LLM servant à annoter : un composant de 6 Mo en production chez S&P Global (Montani).
- Faire le test de la « machine à frapper aux fenêtres » : avant d'automatiser une tâche humaine par un chatbot, se demander si un « réveil » (une solution non conversationnelle) ne ferait pas mieux (Montani).
- Entraîner un petit modèle sur les distributions de probabilité d'un grand modèle plutôt que sur le seul token suivant du texte : c'est la recette de distillation de Gemma 2 (Joulin).
- Équiper un agent de code d'automatismes (contexte des fichiers rafraîchi après chaque outil, contrôle de syntaxe, logs) et lui donner une seule responsabilité (Dudnik).
- Séparer l'agent qui écrit de l'agent qui juge, pour qu'ils ne s'influencent pas (Roy Greenfeld) ; demander à l'IA de noter sa réponse et croiser avec un autre modèle (Grondin).
- Avant d'appeler un LLM, vérifier si une requête SQL ou une recherche de distance dans pgvector suffit : moins cher, plus stable, moins de CO2 (Pekelman).
- Pour l'équité algorithmique, supprimer la variable sensible ne suffit pas, elle se reconstruit : il faut y avoir accès pour décorréler les représentations (Detyniecki).
- Garder un humain qui valide : l'assistant de consultation de Doctolib demande au médecin de vérifier hallucinations et omissions avant validation (Seugé, Talpaert).
Session par session
Jeudi 17 octobre
Conférence▶ vidéo + transcript
LLMs reasoning and agentic capabilities over time
Stanislas Polu — Dust
Retours : Daniel Phiri (speaker, sur scène)
- Sur scène, talk d'ouverture : une histoire du deep learning lue par la durée des tâches couvertes et la fiabilité (« humain médiocre, moyen, meilleur »). AlexNet couvre 1 à 2 secondes, GPT-4 environ 30 minutes au niveau d'un humain moyen.
- Deux fois la même histoire : une technologie de base passée à l'échelle puis plongée dans une boucle de recherche avec vérification (AlphaGo, puis AlphaProof en mathématiques formelles).
- Doute sur le LLM comme dernier paradigme : pas de données pour les tâches longues, plafond de raisonnement commun à tous les labos depuis GPT-4, peu de transfert entre modalités ; o1 n'est selon lui qu'« une façon d'exploiter un peu plus de calcul au moment du test ».
- D'où son départ d'OpenAI en 2022 : la technologie était sous-déployée, le verrou était la couche produit. Dust repose sur l'accès aux données de l'entreprise et sur de nombreux assistants spécialisés plutôt qu'un seul.
- Appel final : trouver dans son travail une tâche de quelques dizaines de minutes et l'automatiser. Daniel Phiri y fait écho dans son lightning talk (« Stanis had a big call to build »).
Conférence▶ vidéo + transcript
ZML: ML framework for Zig
Steeve Morin — ZML
Retours : Frenchweb (article partenaire), Yann Léger (speaker, sur scène)
- Sur scène : l'opposition entraînement contre inférence. L'entraînement est de la recherche où « plus » est mieux et Python excelle ; l'inférence est de la production où « moins » est mieux et où l'on veut une latence prévisible.
- ZML : modèles écrits en Zig, abaissés en MLIR, compilés par l'écosystème OpenXLA pour CUDA, AMD ROCm ou TPU, le tout orchestré par Bazel. Inférence seulement, zéro Python.
- Axes nommés (« tagging ») pour supprimer transpositions et reshapes ; runtimes élagués au fichier près, soit 90 % de taille en moins et des conteneurs tirés en 20 secondes au lieu de 5 minutes.
- Binaire unique qui tourne sur CUDA et TPU sans changement de code : « le MLOps n'existe pas dans ZML ». Sorti de stealth trois semaines avant.
- Repris par Yann Léger (Koyeb) comme une réponse au manque de logiciel pour les nouvelles puces ; Frenchweb retient les avancées sur la rapidité de l'inférence.
Conférence▶ vidéod'après le programme
The Future of Edge Agents
Pierre Stock — Mistral AI
- D'après le descriptif officiel (transcript non récupéré) : les appareils en périphérie comme les smartphones permettent d'utiliser des LLM quand la confidentialité et la latence comptent.
- Techniques pour obtenir les meilleures performances sous contraintes de latence et de mémoire pour des modèles de 1 à 3 milliards de paramètres.
- Présentation de l'offre edge de Mistral AI et de sa vision de la personnalisation et du function calling à cette échelle.
- Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
Reality is not an end-to-end prediction problem: Applied NLP in the age of Generative AI
Ines Montani — Explosion
- Sur scène : trois façons de dire à un ordinateur quoi faire, règles, exemples, prompts, chacune avec ses forces. Les grands modèles sont parfaits pour prototyper mais opaques, lents et posent problème pour les données sensibles.
- Proposition : utiliser le LLM pour annoter, corriger avec un humain dans la boucle (Prodigy), puis entraîner des composants spécialisés, petits et rapides par transfer learning, jusqu'à battre la baseline.
- Cas S&P Global (prix des matières premières) : données développées 10 fois plus vite, composants de 6 Mo, environ 15 heures de création de données par composant ; cas GitLab sur les tickets de support.
- Le test de la machine à frapper aux fenêtres : les « knocker-uppers » ont été remplacés par des réveils, pas par des robots qui tapent aux vitres ; Calendly est le réveil, le chatbot de prise de rendez-vous la machine.
- Conclusion : « plus facile n'est pas assez ambitieux » ; pas de raison de renoncer à la modularité, la transparence et la confidentialité au profit d'un modèle monolithique. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
Democratizing AI with Open Source Multi-Agent Systems: Advancing the Future of Workflow Automation
Sri Satish Ambati — H2O.ai
- Sur scène : plaidoyer pour l'open source comme bien commun (« l'AGI appartient à la communauté ») et pour une IA qui ne dépende pas que de la Silicon Valley.
- Démos : petits modèles Danube (0,5 à 4 milliards de paramètres) tournant hors ligne sur un vieux téléphone, annonce d'un modèle de vision « Mississippi » pour l'OCR de documents, benchmarks GAIA lancés chaque nuit.
- Message de méthode : tester les modèles sur ses propres charges plutôt que sur des benchmarks publics souvent contaminés, et combiner IA prédictive et générative (démo agentique sur un concours Kaggle de prévision des ventes).
- « Le temps jusqu'à la première démo est formidable, le temps jusqu'à la production reste une courbe raide » : il faut des « rails » pour les agents.
- Talk dense en démos produit, tenu en partie de façon décousue d'après la transcription. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
Gain full control of your apps with Open-source AI
Merve Noyan — Hugging Face
Retours : Frenchweb (article partenaire)
- Sur scène : « aucune entreprise n'a de douves » ; les plus gros modèles ne sont pas toujours les meilleurs, 80 % du coût d'un modèle vient de l'inférence, et l'open source rattrape toujours les API fermées.
- Les leviers : données de qualité (initiatives communautaires d'annotation), distillation, préférence (DPO), quantization. Exemple de Zephyr 7B, puis des milliers de dérivés.
- Même dynamique hors texte : variantes distillées de Segment Anything pour l'edge, Distil-Whisper qui a inspiré Whisper v3 turbo, ControlNet pour Stable Diffusion.
- Pourquoi migrer : confidentialité, déploiement sur navigateur ou appareil, contrôle total (une API peut changer sous vos pieds), personnalisation. Tour des outils (TGI, vLLM, Transformers, PEFT, TRL, bitsandbytes).
- Frenchweb retient l'accent mis sur la transparence et la collaboration.
Conférence▶ vidéo + transcript
Serverless Inferencing: an infrastructure point of view
Yann Léger — Koyeb
- Sur scène : l'IA pèse déjà 28 % de l'électricité des datacenters aux États-Unis selon les chiffres cités, et les GPU sont largement sous-utilisés faute de logiciel.
- Trois infrastructures différentes : grands entraînements (une douzaine d'acteurs), fine-tuning, et inférence, où tout le monde va finir ; la consommation va basculer vers l'inférence.
- Démo : endpoint serverless Llama 3.1 qui passe de 1 à 3 instances sous charge, décision de scaling toutes les 15 secondes.
- Leviers : diversité des puces face à un vendeur unique (Nvidia), serveurs d'inférence encore jeunes (vLLM a moins de deux ans), et démarrage à froid par snapshot mémoire du modèle.
- Prédiction : prix de l'inférence divisé par 10 dans l'année ; les applications devraient donner des indices à l'infrastructure pour le cache. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
More empathy and health data protection in AI: announcing a primary care revolution
Dr Laure Seugé — Doctolib, Arthur Talpaert — Doctolib
Retours : Frenchweb (article partenaire)
- Sur scène, en duo médecin et responsable produit : annonce du lancement de l'assistant de consultation de Doctolib, démo d'une consultation fictive en français.
- Pas un modèle mais une chaîne : traitement du signal, reconnaissance vocale, pseudonymisation (difficile en santé : « Alzheimer » est-il une maladie ou un nom ?), extraction, résumé, codage médical, puis suggestions que le médecin édite et valide.
- Leçon pour les équipes : l'obsession de l'utilisateur et l'empathie ; quelques centaines de soignants en bêta pendant des mois, appels téléphoniques chaque semaine.
- Données : entraînement sur données de patients ayant consenti, audio non conservé, chiffrement, hébergement certifié en Europe ; le médecin doit vérifier hallucinations et omissions avant validation.
- Frenchweb retient l'alliance d'un technicien et d'une médecin sur scène pour concilier IA et protection des données.
Lightning talk▶ vidéo + transcript
Is Mojo programming language just a hype?
Maxim Zaks
- Sur scène : une généalogie humoristique des langages façon Married with Children, pour conclure qu'il serait temps de retirer C++.
- Mojo n'est pas « centré sur lui-même » : c'est un sous-produit de Modular, né pour ne plus écrire de kernels MLIR à la main.
- Sur-ensemble de Python avec divulgation progressive de la complexité : on part de modules Python, on descend jusqu'au SIMD et au MLIR inline dans le même langage (exemple d'une somme préfixe jusqu'à 8 fois plus rapide).
- Langage jeune (un an), entré à la 48e place de l'index TIOBE selon le speaker. Aucun retour de participant trouvé.
Lightning talk▶ vidéo + transcript
Multi-agent collaboration in practice: make AI code an entire application for you
Grigorij Dudnik — Clean Coder, takzyli.pl
- Sur scène : un LLM qui écrit du code, c'est un développeur dans Notepad, sans complétion, sans vérification de syntaxe.
- Retour d'expérience Clean Coder : après une modification, l'agent gardait l'ancienne version du fichier en contexte et cassait le code ; lui demander d'utiliser un outil de relecture ne marchait pas, un automatisme qui rafraîchit le contexte après chaque outil fonctionne à 100 %.
- Autres automatismes : contrôle de syntaxe avant écriture, logs de l'application renvoyés à l'agent.
- L'agent chef de projet se perdait dans ses tâches : on l'a réduit à une seule responsabilité (écrire une bonne liste de tâches), le framework enchaînant exécution, test et clôture. Aucun retour de participant trouvé.
Lightning talk▶ vidéo + transcript
Rethinking AI: Building What Matters, Not Just What's Possible
Audrey Roy Greenfeld — Answer.AI
- Sur scène : un projet de samedi matin avec Daniel Roy Greenfeld, entraîner un petit modèle à écrire des parodies d'actualité à partir de données synthétiques.
- Leçons techniques : la fonction censée noter l'humour faisait elle-même des blagues, d'où deux agents séparés, un rédacteur et un éditeur, pour qu'ils ne s'influencent pas ; boucle de rétroaction où les meilleures parodies servent d'exemples ; personas (Persona Hub) pour donner de la saveur ; sorties structurées stockées en SQLite ; site en FastHTML.
- Prise de conscience : ce pipeline est aussi celui d'une usine à fausses nouvelles ; technologie à double usage, réutilisable pour l'alphabétisation des adultes.
- Invitation à penser les petites applications personnelles comme source d'idées. Aucun retour de participant trouvé.
Lightning talk▶ vidéo + transcript
Crossing the Multimodal Chasm
Daniel Phiri — Weaviate
- Sur scène : « trop d'infrastructure IA, pas assez d'applications en production », une peur qui vient du manque de compréhension ; il reprend l'appel à construire de Stanislas Polu.
- Penser les applications multimodales comme des systèmes IA composés de plusieurs modèles, pas comme une boîte magique monolithique ; « au fond, tout est de la plomberie ».
- Deux briques : sorties prévisibles (format imposé, LMQL, JSON mode, structured outputs) et interactions avancées (tool calling, recherche multimodale par embeddings dans une base vectorielle).
- Prédiction : consolidation et orchestration seront le grand thème des mois suivants. Aucun retour de participant trouvé.
Vendredi 18 octobre
Conférence▶ vidéo + transcript
Skrub: Less data wrangling, more machine learning
Gaël Varoquaux — Inria, Probabl
- Sur scène : les données les plus précieuses des organisations sont tabulaires, et la préparation des données reste le premier défi ; pandas et scikit-learn restent parmi les paquets les plus téléchargés.
- Sur ces tables, les arbres de décision (gradient boosting) battent encore le deep learning, parce qu'ils raisonnent colonne par colonne.
- skrub :
tabular_learneret TableVectorizer pour passer d'un data frame sale à un modèle, GapEncoder pour les chaînes de caractères, TableReport pour explorer, API multi-tables qui construit un graphe de transformations rejouable. - Recherche (CARTE) : un réseau de neurones pré-entraîné qui exploite noms de colonnes et chaînes arrive en tête, mais il est lourd ; « une tendance de plusieurs talks : surveiller le rapport coût/bénéfice ». Une régression logistique avec TableVectorizer reste une baseline très solide et bon marché.
- Rappel : ce travail est financé par l'argent public ; Probabl est une spin-off centrée sur l'open source. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
Multimodal Language models
Neil Zeghidour — Kyutai
Retours : Frenchweb (article partenaire)
- Sur scène : Moshi, présenté comme la première IA vocale temps réel open source. Les assistants classiques (pipeline détection, transcription, LLM, synthèse) ont 3 à 5 secondes de latence et perdent tout ce qui n'est pas du texte.
- Même les modes vocaux récents restent half duplex (talkie-walkie) ; Moshi vise le full duplex d'une vraie conversation, chevauchements compris.
- Technique : codec neuronal qui compresse l'audio à 12,5 Hz, Transformer hiérarchique (Helium 7B plus un petit Transformer de 600 millions de paramètres), modélisation multistream des deux voix.
- Données : conversations téléphoniques Fisher (démo « appel vers 2002 ») puis centaines de milliers d'heures synthétiques générées avec une voix d'actrice.
- Poids, code et article de 60 pages publiés ; version quantifiée sur MacBook. Frenchweb rapporte que Moshi surpasserait Alexa, Siri et certaines versions de GPT-4, affirmation non vérifiée.
Conférence▶ vidéo + transcript
Can AI design a fairer future?
Marcin Detyniecki
- Sur scène : exemple de COMPAS (prédiction du risque de récidive) ; un algorithme entraîné sur l'historique reproduit les biais de recrutement passés.
- Supprimer la variable sensible ne suffit pas : elle se reconstruit à partir d'autres variables (loisirs) ; et l'explicabilité type SHAP ne voit rien si la variable est absente.
- Proposition : un encodeur qui produit une représentation neutre, pénalisée par adversarial learning dès qu'elle corrèle avec la variable sensible ; démo sur des chiffres colorés.
- Mais quelle équité ? Égalité de traitement et protection d'une classe vulnérable sont incompatibles (même dilemme en assurance) ; outil « fairness compass » pour tracer ce choix.
- Conclusion : « la justice ne devrait pas être aveugle », il faut accès aux variables sensibles, donc faire confiance à des humains. Talk absent de la page speakers archivée. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
Training a foundation image model and deploying it to millions of users
Eliot Andres — Photoroom
- Sur scène : pourquoi entraîner son propre modèle de diffusion, pour exclure nudité et violence des données, viser l'e-commerce et maîtriser le compromis vitesse/qualité ; démo de fonds générés et d'ombres réalistes.
- Trois ingrédients : calcul (256 H100, l'équivalent de 600 foyers français, datacenter près d'un barrage hydroélectrique), algorithme (Transformer plutôt que U-Net, taille de 7 à 8 milliards de paramètres idéale sur H100), données (« garbage in, garbage out »).
- Pipeline de données : images de banques photo, filtrage, base vectorielle unique pour annoter et compter, export en Go à 10 000 images par seconde ; outils open source.
- En production : 300 à 400 images par seconde, arbitrage entre vitesse et coût des GPU rares, distillation des étapes (LCM) et compilation TensorRT (jusqu'à 2 fois plus rapide). Soutien de France 2030. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
Improving Open Language Models at a Practical Size
Armand Joulin — Google DeepMind
- Sur scène : pourquoi Google publie Gemma alors qu'il a Gemini, parce que les développeurs sont dans l'ouvert ; tailles 2B, 9B et 27B choisies pour le téléphone, le portable et un seul GPU.
- Cœur technique : en pré-entraînement, le token réel du texte n'est pas la meilleure cible ; Gemma 2 apprend sur la distribution de probabilité d'un grand modèle enseignant (distillation), ce qui compte pour les petits modèles qui saturent vite (environ 2 000 milliards de tokens pour le 2B).
- Même logique en post-entraînement : l'élève répond, l'enseignant corrige.
- Sécurité : filtrer les données de pré-entraînement sans tout retirer, trouver l'équilibre utile/sûr à l'alignement, outils de détection publiés.
- Plus de 20 millions de téléchargements sur Hugging Face selon le speaker ; des dérivés communautaires battent parfois le post-training de Google. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
Getting LLMs to do what you want: Output Controllers
Meryem Arik — TitanML
- Sur scène : pour les outils, agents et extractions de documents, « on n'a pas besoin de 99 %, on a besoin de 100 % » de sorties structurées.
- Quatre méthodes : « supplier pour sa vie » (prompt, y compris les menaces envers un chaton, qui marchent étrangement), boucles de retry (latence, aucune garantie), fine-tuning (cher, à refaire si le schéma change), et génération contrainte.
- La génération contrainte filtre à chaque étape les tokens qui casseraient le schéma JSON (arbre de caractères projeté sur les tokens) : 100 % de conformité, surcoût de latence minime, modifiable à l'inférence. Outils cités : Outlines, LM Format Enforcer, JSON mode.
- Ouverture : l'inférence devient le lieu où l'on contrôle le modèle (RAG, o1, filtres ou modèles de récompense à l'inférence) ; soigner sa pile d'inférence. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
AI is your personal co-founder
Marjolaine Grondin — Jam
- Sur scène, « soft talk » d'une non-développeuse : après Jam, « arrêter de travailler sur l'IA pour travailler avec l'IA ».
- Trois niveaux : acolyte (contrats, mails, automatisations Zapier, rappels WhatsApp), COO (transcrire les entretiens utilisateurs, produire contenus et plans de progression), co-fondateur (un GPT qui la challenge, y compris sur l'abstract de ce talk).
- Règles pratiques : partir de vrais cas avec ses propres données (présentation pour sa banque), soigner ses prompts (« value in, value out »), ne pas déléguer ce qu'on ne maîtrise pas, demander à l'IA de se noter et croiser avec un autre modèle.
- Idée finale : le « cadeau inconfortable » de l'IA, qui oblige à se demander ce qui nous rend humains (ikigai). Aucun retour de participant trouvé.
Lightning talk▶ vidéo + transcript
AI Model Deployment Strategies: Balancing Efficiency and Environmental Impact
Ori Pekelman — Platform.sh
- Sur scène, sur un ton sarcastique : les LLM émettraient environ 11 mégatonnes de CO2 par an, et les H100 vendus cette année en ajouteraient autant ; « peu importe d'être à côté d'un barrage hydroélectrique », une partie est embarquée dans le matériel.
- Les LLM interrogés sur leur propre empreinte esquivent : il parle de « RLMF », reinforcement learning through marketing feedback.
- Le fine-tuning qui surapprend fait de vos poids une base de données, avec latence, erreurs et dette technique ; le RAG ne fait qu'« augmenter ».
- Beaucoup de cas d'usage se résolvent par une requête de distance dans la base vectorielle qu'on a déjà (pgvector) ; tout ce qui appelle de façon synchrone un modèle sur huit Grace Hopper « n'existera pas dans 5 ans », économiquement.
- Chiffres présentés comme des ordres de grandeur personnels, non sourcés. Aucun retour de participant trouvé.
Lightning talk▶ vidéo + transcript
The RAoad to Intent-Driven Automation
Johannes Dienst — AskUI
- Sur scène : construire un « Jarvis » aujourd'hui avec des agents de vision qui pilotent l'interface comme un humain (souris, clavier) ; démo d'un agent qui ouvre Chrome et Google Docs pour écrire un poème.
- Les modèles de vision généralistes savent compter les personnes d'une image mais placent mal les boîtes englobantes : il faut les « ancrer » avec un modèle spécialisé qui détecte et numérote les éléments d'interface.
- Sortie JSON structurée traduite en actions (PyAutoGUI), idéalement via un service intégré au système d'exploitation pour éviter d'écrire des intégrations par application.
- Outil open source « intent pilot » proposé. Aucun retour de participant trouvé.
Keynote▶ vidéo + transcript
Message from the Secretary of State for AI and Digital Affairs
Clara Chappaz — Secrétaire d'État à l'IA et au Numérique
- Sur scène : l'IA est « à la table » du gouvernement pour la première fois avec un portefeuille dédié ; la conférence est vue comme le signe de la maturité de l'écosystème parisien.
- Bilan cité : plus de 1 000 startups IA à Paris, stratégie nationale depuis 2018 avec près de 2,5 milliards d'euros, supercalculateurs Jean Zay, labos de Google et Meta, France 2030.
- Annonce du Sommet pour l'action sur l'IA les 10 et 11 février 2025 à Paris, avec journées scientifiques et business days.
- Point faible reconnu, en écho au rapport Draghi : l'Europe construit la technologie mais tarde à l'adopter ; appel au dialogue continu avec l'écosystème. Aucun retour de participant trouvé.
Date non précisée
Conférence▶ vidéo + transcript
Building with OpenAI: What's Ahead
Romain Huet — OpenAI, Katia Gil Guzman — OpenAI
Retours : Frenchweb (article partenaire)
- Sur scène, Romain Huet à distance depuis San Francisco et Katia Gil Guzman sur place : de GPT-3 (dont AI Dungeon était un usage phare) à GPT-4o et o1, présenté comme le chaînon manquant pour les agents.
- Annonce centrale : l'API Realtime (WebSocket, speech-to-speech) qui remplace la chaîne transcription, LLM, synthèse vocale et ses latences.
- Démos live : interruptions naturelles, chuchotement, puis un système solaire en 3D piloté à la voix avec appels d'outils (graphiques, position de l'ISS en temps réel). Un refus inattendu (« sorry I can't do that ») rappelle les aléas des démos.
- Annonce d'un futur bureau OpenAI à Paris. Frenchweb retient une « analyse approfondie des modèles multimodaux ».
- Jour exact non précisé (vidéo « filmée les 17 et 18 octobre »).
Sessions sans retour trouvé (1)
- AI is expensive: Pricing and billing without engineering nightmares (Raffi Sarkissian, Lago), lightning talk annoncé, sans vidéo ni retour trouvés
Sources
- Page speakers officielle archivée (Wayback Machine, 14/10/2024) (nouvel onglet) ↗
- Page d'accueil officielle archivée (dates, lieu) (nouvel onglet) ↗
- Playlist YouTube dotAI 2024 (chaîne dotConferences, 23 vidéos) (nouvel onglet) ↗
- Frenchweb, « dotAI, l'événement européen qui rassemble les leaders de l'IA » (contenu partenaire, 18/11/2024) (nouvel onglet) ↗
- Posts LinkedIn : aucun retour de participant trouvé (recherches limitées aux annonces de l'événement)