💡 Devoxx France 2026 - L'Ère de l'Agentique au Cœur de Paris

le 13 mai 2026

Bienvenue au Palais des Congrès pour une édition de Devoxx France 2026 qui marque un tournant historique dans notre industrie. Si les années précédentes étaient celles de l'expérimentation et de la fascination pour les LLM, 2026 est indéniablement celle de la concrétisation agentique.

Dans les allées de cette "conférence des développeurs pour les développeurs", le constat est clair : l'IA n'est plus un simple gadget de complétion de code, mais une couche structurelle de nos architectures. Avec 212 sessions passées au crible dans ce panorama, nous explorons comment la communauté a transcendé la peur du remplacement pour embrasser un rôle d'orchestrateur de systèmes intelligents.

De l'éthique nécessaire pour agir "avec raison dans l'incertain" aux protocoles techniques comme le MCP (Model Context Protocol), cet article vous propose une immersion dans les moments forts du track AI & Agentic Systems. Préparez-vous à découvrir comment l'automatisation et l'intelligence collaborative redéfinissent, sous nos yeux, le métier de développeur.

AI & Agentic Systems

L’IA au service du bien commun : Agir avec raison dans l'incertain

• Speakers : Laurence Devillers
• Type : Keynote
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 09:00 à 09:25 · Salle Amphi bleu

La présentation défend une IA outil de progrès, ni neutre ni consciente, mais amplificatrice des capacités humaines. Employée avec discernement et accompagnée d’éducation critique, elle peut soigner, anticiper, personnaliser et libérer du temps créatif, faisant de l’humain l’acteur central d’un futur orienté vers le bien commun.

L’IA au service du bien commun : Agir avec raison dans l'incertain

Dans un monde où l'intelligence artificielle (IA) s'intègre de plus en plus dans nos vies, la keynote de Laurence Devillers à la conférence sur les systèmes agentiques et l'IA aborde un sujet crucial : comment utiliser cette technologie pour le bien commun. En se basant sur la pensée de Blaise Pascal, Devillers nous invite à agir avec discernement face à l'incertitude que l'IA apporte.

Ce que présente le talk

Laurence Devillers défend l'idée que l'IA, loin d'être un outil neutre, amplifie nos capacités humaines. Elle n'est ni un ange ni un démon, mais un puissant levier qui peut améliorer notre compréhension du monde, anticiper des crises, personnaliser l'éducation et libérer du temps pour la créativité. L'éducation critique est essentielle pour naviguer dans cet environnement complexe, permettant de comprendre les biais et les limites de l'IA.

Points techniques importants

Nature de l'IA

• Outil amplificateur : Devillers souligne que l'IA ne ressent rien et ne comprend pas. Elle reflète nos choix et nos biais, ce qui la rend non neutre.
• Intégration dans la vie quotidienne : L'IA est omniprésente, mais son utilisation nécessite une vigilance pour éviter une dépendance aveugle.

Éducation et esprit critique

• Importance de l'éducation : L'éducation est présentée comme la clé pour comprendre les capacités et les limites de l'IA. Devillers insiste sur la nécessité de former les futurs utilisateurs à la critique et à l'analyse des données générées par l'IA.
• Démystification des mythes : Devillers propose de déconstruire des mythes autour de l'IA, comme l'idée qu'elle serait arrivée récemment ou qu'elle soit gratuite. Ces croyances peuvent mener à des attentes irréalistes et à des abus.

Mythes de l'IA

1. L'IA est arrivée en 2022 : En réalité, ses racines remontent aux années 1950.
2. L'IA est un pur esprit : Elle est ancrée dans des réalités écologiques et énergétiques.
3. L'IA est neutre : Elle est influencée par les données sur lesquelles elle est formée, souvent biaisées.
4. L'IA est gratuite : Son utilisation engendre des coûts cachés et des implications économiques.
5. L'IA est notre amie : Elle n'a pas d'émotions et peut engendrer des dépendances.

Éthique et gouvernance

• Questions éthiques : L'augmentation de la puissance de l'IA soulève des problèmes de gouvernance et de cybersécurité, qui doivent être abordés avec sérieux.
• Systèmes de décision : Devillers évoque les systèmes de décision humains (Système 1 et Système 2), soulignant que l'IA ne peut remplacer la réflexion humaine.

Ce qu'il faut retenir

L'IA est un outil puissant qui, utilisée avec discernement, peut servir le bien commun. Cependant, son intégration dans nos vies nécessite une éducation critique pour éviter les dérives et les abus. La démystification des croyances populaires autour de l'IA est essentielle pour préparer un avenir où l'humain reste au centre des décisions.

Réflexions Darkwood

La keynote de Devillers s'inscrit dans une réflexion plus large sur l'évolution des systèmes logiciels et l'automatisation. Alors que l'IA continue de transformer nos workflows, il est crucial de développer une gouvernance éthique et responsable. Les agents IA, en tant qu'extensions de nos capacités, doivent être utilisés pour enrichir notre créativité et notre curiosité, tout en préservant notre esprit critique. L'avenir des architectures modernes repose sur notre capacité à intégrer ces technologies de manière réfléchie, en gardant à l'esprit que le progrès doit servir l'humanité dans son ensemble.

Fiche programme

2 ans après, les devs n'ont pas disparu : du coup l'IA ca sert à rien ?

• Speakers : Matthieu Vincent (X · LinkedIn · Bluesky), Yann Gloriau (LinkedIn)
• Type : Conference
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 10:30 à 11:15 · Salle Neuilly 252AB

Ce talk explore deux ans d’intégration de l’IA dans le développement logiciel : entre promesses et réalités, il analyse ses apports, ses limites et son impact sur les compétences, la sécurité et les pratiques. Avec humour et retour d’expérience, il montre comment l’IA transforme les développeurs sans les remplacer.

2 ans après, les devs n'ont pas disparu : du coup l'IA ça sert à rien ?

Dans un contexte où l'intelligence artificielle est souvent présentée comme la panacée capable de remplacer les développeurs, ce talk de Matthieu Vincent et Yann Gloriau, tous deux de Sopra Steria, remet en question cette vision. Deux ans après l'essor des outils d'IA dans le développement logiciel, il est temps d'explorer les véritables impacts de ces technologies sur les pratiques et les compétences des développeurs.

Ce que présente le talk

La session aborde les promesses et les réalités de l'intégration de l'IA dans le développement logiciel. À travers un retour d'expérience humoristique et pragmatique, les intervenants analysent les bénéfices et les limites des outils d'IA, tout en soulignant que les développeurs ne sont pas en voie de disparition. Au contraire, l'IA pourrait transformer leur rôle en les aidant à devenir plus efficaces, mais elle ne les remplace pas.

Points techniques importants

L'impact de l'IA sur les pratiques de développement

Les intervenants soulignent que, malgré les attentes élevées, l'IA n'a pas radicalement changé la manière dont les développeurs travaillent. Ils notent que les équipes continuent à produire des tests unitaires (TU) et à maintenir la documentation, mais que ceux qui ne le faisaient pas auparavant n'ont pas été incités à changer leurs pratiques. Cette observation met en lumière le fait que l'outil ne fait pas le projet ; c'est le projet qui détermine l'utilisation des outils.

Évolution des outils et des compétences

• Modèles de raisonnement : Les intervenants évoquent les nouveaux types de modèles qui permettent de décomposer des problèmes complexes en sous-tâches, facilitant ainsi la gestion des projets.
• MCP (Modèles de Communication de Protocole) : Ces serveurs permettent d'interfacer différents outils d'IA, mais leur sécurité est souvent mise en question. Les intervenants notent que ces outils, bien que prometteurs, ne sont pas encore prêts pour une utilisation à grande échelle dans un environnement de production.
• Agents IA : L'évolution des agents, capables de planifier, de se souvenir des interactions et d'évaluer leurs réponses, est mise en avant comme un changement significatif dans la manière dont les développeurs peuvent interagir avec les systèmes d'IA.

Pratiques de "vibe coding"

Un concept intéressant introduit par les intervenants est celui de "vibe coding", qui consiste à coder sans utiliser le clavier, en laissant l'IA gérer des tâches simples. Cela soulève des questions sur la détachement des développeurs par rapport à leur code, ce qui pourrait avoir des implications sur la qualité et la responsabilité du travail produit.

Ce qu'il faut retenir

L'IA ne remplace pas les développeurs, mais elle les transforme. Les outils d'IA peuvent améliorer l'efficacité et la productivité, mais leur adoption dépend largement des pratiques et de la culture d'entreprise. Les développeurs doivent s'adapter à ces nouvelles technologies tout en maintenant des standards de qualité et de sécurité.

Réflexions Darkwood

L'intégration de l'IA dans le développement logiciel représente une étape importante dans l'évolution des systèmes. Alors que les outils d'IA continuent de se développer, il est crucial de réfléchir à leur impact sur les workflows et la gouvernance des projets. L'automatisation croissante pourrait conduire à une redéfinition des rôles et des compétences requises dans l'industrie. La clé sera de trouver un équilibre entre l'utilisation des outils d'IA et la préservation de la qualité du code, tout en veillant à ce que les développeurs restent au cœur du processus créatif.

Fiche programme

IA & jeux vidéo, des origines à nos jours : a (neural) link to the past

• Speakers : Romain Benassi (LinkedIn)
• Type : 2H Deep Dive
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 10:30 à 12:30 · Salle Neuilly 251

Cette présentation retrace l’évolution conjointe de l’IA et du jeu vidéo, de Pac‑Man aux jeux les plus modernes. Elle offre un panorama historique et ludique, évoquant certaines des franchises les plus emblématiques du domaine. Les apports récents liés à l'IA générative seront également discutés.

IA & Jeux Vidéo : Des Origines à Nos Jours

La session "IA & jeux vidéo, des origines à nos jours : a (neural) link to the past" présentée par Romain Benassi à Devox offre une plongée fascinante dans l'évolution conjointe de l'intelligence artificielle et des jeux vidéo. En retraçant cette histoire commune, l'intervenant illustre comment ces deux domaines ont interagi depuis les débuts de l'industrie vidéoludique jusqu'aux avancées modernes, notamment avec l'émergence de l'IA générative.

Ce que présente le talk

La présentation explore l'évolution des mécaniques d'IA dans les jeux vidéo, en commençant par des classiques comme Pac-Man et en se dirigeant vers des titres contemporains tels que The Last of Us. Romain Benassi met en lumière les différentes franchises emblématiques et discute des impacts récents de l'IA générative sur les mécaniques de jeu et l'expérience utilisateur.

Points techniques importants

Historique et Évolution

• Origines de l'IA dans les jeux vidéo : Le talk débute avec Pong (1972), un jeu sans IA, et évolue vers Space Invaders (1978), où la notion d'intelligence artificielle commence à se manifester par des comportements d'accélération des ennemis.
• Mécaniques de jeu : L'intervenant souligne l'importance des machines à états, un concept fondamental dans la conception des comportements des personnages non-joueurs (PNJ).

Mécanismes d'IA

• Pac-Man et ses fantômes : L'analyse des comportements des fantômes dans Pac-Man illustre l'utilisation des machines à états. Chaque fantôme a des modes distincts (chasse, dispersion, fuite) qui modélisent des comportements simples mais efficaces.
• Ciblage et Navigation : Les fantômes ciblent des cases spécifiques sur le damier du jeu, utilisant des algorithmes simples pour déterminer leur direction, ce qui crée une illusion d'intelligence.

IA Générative

• Impact sur le design de jeux : Avec l'avènement de l'IA générative, les possibilités de création de contenu dynamique et adaptatif sont explorées. Cette technologie permet de générer des scénarios, des dialogues et des environnements de manière procédurale, enrichissant ainsi l'expérience de jeu.

Ce qu'il faut retenir

La session met en avant l'évolution des mécaniques d'IA dans les jeux vidéo, de simples comportements programmés à des systèmes complexes intégrant l'IA générative. Les concepts de machines à états et de ciblage sont essentiels pour comprendre comment les jeux ont su créer des expériences engageantes et immersives.

Réflexions Darkwood

L'interaction entre l'IA et les jeux vidéo illustre une tendance plus large dans l'évolution des systèmes logiciels. À mesure que les technologies d'IA se développent, nous assistons à une automatisation croissante des processus créatifs, permettant aux développeurs de se concentrer sur des aspects plus stratégiques et narratifs. Les agents intelligents, en tant que composants clés des architectures modernes, ouvrent la voie à des workflows plus flexibles et adaptatifs, redéfinissant ainsi la gouvernance des projets de développement. Cette dynamique pourrait bien transformer non seulement l'industrie du jeu vidéo, mais également d'autres secteurs où l'interaction humaine et machine est primordiale.

Fiche programme

Mesurer l’immesurable : Comment évaluer les systèmes à base d’IA générative ?

• Speakers : Erin Pacquetet (LinkedIn)
• Type : Conference
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 10:30 à 11:15 · Salle Paris 143

Cette session explore l’évaluation des applications d’IA générative, entre créativité et fiabilité. Elle présente les limites des métriques classiques, l’usage du “LLM-as-a-judge”, l’importance du jugement humain et du suivi continu. Un cas de chatbot RAG illustre un pipeline d’évaluation complet et reproductible.

Mesurer l’immesurable : Comment évaluer les systèmes à base d’IA générative ?

L'évaluation des systèmes d'IA générative est un enjeu crucial dans un contexte où ces technologies prennent une place prépondérante dans la création d'applications variées. La session présentée par Erin Pacquetet lors de la conférence Devox aborde ce défi en profondeur, en explorant les paradoxes entre créativité et contrôle, tout en proposant des méthodologies d'évaluation adaptées.

Ce que présente le talk

La session met en lumière les difficultés inhérentes à l'évaluation des systèmes basés sur des modèles d'IA générative. Erin Pacquetet souligne que, bien que la création d'applications utilisant des LLM (Large Language Models) soit relativement simple, leur mise en production pose des questions complexes. L'accent est mis sur la nécessité d'une méthodologie d'évaluation robuste pour garantir la fiabilité des systèmes avant leur déploiement.

Points techniques importants

Limites des métriques classiques

Les métriques traditionnelles d'évaluation ne suffisent pas à capturer la complexité des systèmes génératifs. Erin évoque la nécessité de redéfinir les critères d'évaluation pour tenir compte des spécificités des LLM, qui sont à la fois créatifs et imprévisibles. Les questions de précision, de cohérence et de pertinence métier doivent être ajustées pour refléter la nature dynamique des outputs générés.

LLM-as-a-judge

Un concept clé abordé est l'utilisation des LLM comme juges dans le processus d'évaluation. Bien que cette approche puisse automatiser certaines tâches, elle introduit également des biais potentiels. Erin met en garde contre une dépendance excessive à cette méthode, soulignant l'importance du jugement humain dans l'évaluation des résultats.

Importance du jugement humain et suivi continu

Le jugement humain reste essentiel pour évaluer la qualité des outputs. Erin insiste sur la nécessité d'un suivi continu pour détecter les dérives et les effets secondaires des systèmes en production. Cela implique de mettre en place des mécanismes de feedback permettant d'ajuster les modèles en fonction des retours d'expérience des utilisateurs.

Cas d'étude : Chatbot RAG

Un exemple concret illustrant ces concepts est le développement d'un chatbot RAG (Retrieval-Augmented Generation) pour une entreprise d'assurance. Ce chatbot doit répondre à des questions des utilisateurs en s'appuyant sur une documentation existante. Erin décrit le pipeline d'évaluation mis en place pour garantir que le chatbot fonctionne correctement avant d'être mis à la disposition des clients.

Pipeline d'évaluation

1. Simulation des inputs : Trois types de scénarios doivent être testés :

   • Scénarios idéaux : questions parfaitement formulées.
   • Scénarios réalistes : questions typiques des utilisateurs.
   • Scénarios adverses : tentatives de manipulation ou d'abus du système.

2. Génération des outputs : Les réponses du chatbot sont collectées et évaluées.

3. Évaluation des outputs : Deux axes sont considérés :

   • Qualité de l'output : pertinence et justesse des réponses.
   • Qualité opérationnelle : latence, coûts et stabilité du système.

Équilibre entre créativité et contrôle

Erin souligne le paradoxe de l'IA générative : la créativité des LLM doit être équilibrée avec un contrôle suffisant pour éviter les risques d'hallucination et de réponses inappropriées. Ce compromis est essentiel pour garantir la confiance des utilisateurs dans les systèmes déployés.

Ce qu'il faut retenir

L'évaluation des systèmes d'IA générative est un processus complexe qui nécessite une méthodologie rigoureuse. Il est crucial de redéfinir les critères d'évaluation, d'intégrer le jugement humain et de mettre en place un suivi continu. Le cas du chatbot RAG illustre l'importance d'un pipeline d'évaluation structuré pour garantir la fiabilité des systèmes avant leur mise en production.

Réflexions Darkwood

L'évolution des systèmes logiciels vers des architectures intégrant des agents d'IA générative soulève des questions fondamentales sur la gouvernance et l'automatisation. Alors que les LLM offrent des capacités créatives sans précédent, leur intégration dans des workflows critiques nécessite une attention particulière à l'évaluation et à la supervision. La mise en place de pipelines d'évaluation robustes devient un impératif pour naviguer dans ce paysage en constante évolution, où la confiance des utilisateurs repose sur la capacité à maîtriser la créativité tout en garantissant la sécurité et la pertinence des outputs. L'avenir des systèmes d'IA générative dépendra de notre capacité à équilibrer ces forces opposées, tout en adoptant des pratiques de développement agiles et responsables.

Fiche programme

🤖 Apprendre à notre IA à ... apprendre 🧠

• Speakers : Stéphane Philippart (X · LinkedIn · Bluesky)
• Type : 2H Deep Dive
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 10:30 à 12:30 · Salle Paris 241

Ce talk clarifie les notions clés de l’IA moderne — RAG, MCP, agents, fine‑tuning, etc. — pour aider les développeurs à comprendre leurs différences, avantages et limites. Il fournit des repères concrets pour choisir la bonne approche et intégrer efficacement l’intelligence artificielle dans leurs projets quotidiens.

🤖 Apprendre à notre IA à ... apprendre 🧠

L'intelligence artificielle (IA) est devenue un pilier incontournable dans le développement logiciel moderne. Avec la montée en puissance des modèles génératifs et des agents intelligents, il est crucial pour les développeurs de comprendre les nuances de ces technologies. La session présentée par Stéphane Philippart lors de la conférence Devox s'inscrit dans cette démarche, en clarifiant des concepts clés tels que RAG, MCP, et le fine-tuning, tout en fournissant des repères pratiques pour intégrer l'IA dans les projets quotidiens.

Ce que présente le talk

Ce talk s'articule autour de l'apprentissage des modèles d'IA et des différentes approches pour les intégrer efficacement dans des applications. Stéphane Philippart aborde les acronymes souvent rencontrés dans le domaine de l'IA, en les décomposant pour en expliquer les spécificités, les avantages et les limites. L'objectif est d'aider les développeurs à choisir la bonne méthode d'implémentation et à enrichir leurs solutions avec de l'IA pertinente.

Points techniques importants

Concepts fondamentaux de l'IA

• RAG (Retrieval-Augmented Generation) : Ce modèle combine la génération de texte avec la récupération d'informations, permettant aux systèmes d'IA de fournir des réponses plus précises en s'appuyant sur des données externes.

• MCP (Model, Context, Protocol) : Un cadre qui définit comment les modèles interagissent avec leur environnement, en tenant compte du contexte et des protocoles d'échange d'informations.

• Agents : Des entités autonomes capables d'exécuter des tâches spécifiques, souvent en utilisant des modèles d'IA pour interagir avec les utilisateurs ou d'autres systèmes.

Approches d'apprentissage

• Fine-tuning : Ce processus consiste à adapter un modèle pré-entraîné à un domaine spécifique en l'entraînant sur un ensemble de données plus restreint. Cela permet d'améliorer la pertinence des réponses fournies par le modèle.

• Tooling et intégration : L'utilisation de bibliothèques et d'outils comme JBang pour simplifier le développement en Java. JBang permet de créer des scripts Java sans avoir à gérer des dépendances complexes, facilitant ainsi l'expérimentation avec des modèles d'IA.

Démonstration pratique

Stéphane présente un exemple concret en développant un chatbot. Ce cas d'utilisation permet d'illustrer comment enrichir un modèle d'IA avec des données spécifiques et comment utiliser des techniques de prompting pour améliorer la qualité des réponses.

Sécurité et gouvernance des données

Un point crucial abordé est la nécessité de comprendre la provenance des données utilisées pour entraîner les modèles. Les développeurs doivent être conscients des implications de l'utilisation de modèles open-source, notamment en ce qui concerne la transparence des données d'entraînement et les licences associées.

Ce qu'il faut retenir

• La compréhension des acronymes et des concepts clés de l'IA est essentielle pour les développeurs souhaitant intégrer ces technologies dans leurs projets.
• Le fine-tuning et l'utilisation de modèles comme RAG peuvent considérablement améliorer la pertinence des réponses générées par les systèmes d'IA.
• L'intégration de l'IA dans des applications Java peut être facilitée par des outils comme JBang, qui simplifient la gestion des dépendances et des scripts.
• La sécurité et la gouvernance des données doivent être au centre des préoccupations lors de l'utilisation de modèles d'IA, en particulier dans un contexte européen.

Réflexions Darkwood

La session de Stéphane Philippart met en lumière l'évolution des systèmes logiciels vers une intégration accrue de l'IA. L'automatisation des workflows et l'utilisation d'agents intelligents sont des tendances qui redéfinissent les architectures modernes. En plaçant le développeur au cœur de cette transformation, il devient possible de créer des solutions plus robustes et adaptées aux besoins spécifiques des utilisateurs. L'avenir du développement logiciel semble se diriger vers une orchestration harmonieuse entre l'humain et la machine, où la compréhension des données et des modèles d'IA sera essentielle pour garantir la sécurité et l'efficacité des systèmes.

Fiche programme

Dev agentique : Stitch et Jules dans l’Antigravité de la constellation Gemini

• Speakers : Guillaume Laforge (X · LinkedIn · Bluesky · Mastodon)
• Type : Conference
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 11:35 à 12:20 · Salle Neuilly 151

Présentation des nouveaux outils IA de Google : Antigravity (IDE à agents autonomes), Stitch (concepteur d’interfaces avec IA), Jules (agent GitHub automatisé) et Gemini CLI (assistant polyvalent). Le talk montre comment les exploiter efficacement et collaborer avec ces “agents” pour améliorer productivité et gestion des tâches.

Dev agentique : Stitch et Jules dans l’Antigravité de la constellation Gemini

La conférence présentée par Guillaume Laforge, développeur advocate chez Google, s'inscrit dans un contexte où l'intelligence artificielle et les systèmes agentiques prennent une place prépondérante dans le développement logiciel. Avec l'émergence d'outils tels qu'Antigravity, Stitch, Jules et Gemini CLI, il devient crucial pour les développeurs de comprendre comment tirer parti de ces technologies pour optimiser leur flux de travail et améliorer la productivité.

Ce que présente le talk

Guillaume Laforge nous introduit à une série d'outils IA développés par Google, chacun ayant un rôle spécifique dans le processus de développement. Le talk se concentre sur :

• Antigravity : un IDE à agents autonomes.
• Stitch : un concepteur d'interfaces assisté par IA.
• Jules : un agent GitHub automatisé.
• Gemini CLI : un assistant polyvalent intégré dans le terminal.

L'objectif est de comprendre comment ces outils peuvent être utilisés ensemble pour améliorer la gestion des tâches et la collaboration au sein des équipes de développement.

Points techniques importants

Architecture des outils

Les outils présentés s'inscrivent dans une architecture orientée agent, où chaque outil joue un rôle distinct mais complémentaire. Par exemple :

• Antigravity propose un environnement de développement centré sur les agents, permettant aux développeurs de planifier et de superviser le travail des agents autonomes.
• Stitch facilite la création d'interfaces utilisateur en générant des prototypes basés sur des spécifications fournies par l'utilisateur.

Patterns et workflows

La présentation souligne l'importance de la collaboration entre ces outils :

• Prototypage avec Stitch et AI Studio : le processus commence par la création d'un prototype via Stitch, qui peut ensuite être intégré dans Antigravity pour le développement.
• Développement avec Antigravity et Gemini CLI : une fois le prototype validé, les développeurs peuvent utiliser Antigravity pour coder, tandis que Gemini CLI permet d'interagir avec le code via la ligne de commande.

Intégration et interopérabilité

L'interopérabilité entre les outils est un point clé :

• Support des standards : Antigravity et Gemini CLI supportent des formats de fichiers communs, facilitant ainsi la collaboration entre différents agents.
• Gestion des tâches avec Jules : après le déploiement, Jules s'occupe de la maintenance en automatisant des tâches comme la gestion des bugs et les mises à jour de tests.

Performance et scalabilité

L'utilisation de ces outils peut également améliorer la performance :

• Optimisation des tâches répétitives : Jules, en tant qu'agent GitHub, permet de déléguer des tâches ingrates, libérant ainsi du temps pour les développeurs.
• Adaptation aux besoins de l'équipe : les outils sont conçus pour s'adapter à des équipes de différentes tailles, permettant une scalabilité fluide.

Ce qu'il faut retenir

La présentation de Guillaume Laforge met en avant l'importance d'adopter des outils agentiques pour optimiser le développement logiciel. Les points clés à retenir incluent :

• L'intégration des outils IA dans le flux de travail des développeurs.
• La collaboration entre agents pour améliorer la productivité.
• L'importance de la standardisation pour faciliter l'interopérabilité.

Réflexions Darkwood

L'émergence d'outils comme ceux présentés dans cette conférence marque une évolution significative dans la manière dont nous concevons et développons des systèmes logiciels. L'automatisation des tâches répétitives et la collaboration avec des agents IA ouvrent la voie à des workflows plus efficaces et moins sujets à l'erreur humaine.

Cette tendance vers l'agentique pourrait également influencer la gouvernance des projets logiciels, en permettant une meilleure traçabilité des actions effectuées par les agents. À mesure que ces technologies continuent de se développer, il sera essentiel pour les équipes de développement de s'adapter à ces nouveaux paradigmes, intégrant des agents IA non seulement comme outils, mais comme partenaires actifs dans le processus de création.

Fiche programme

MCP en pratique : une application pour tout comprendre

• Speakers : Bertrand Nau (LinkedIn · Bluesky)
• Type : Conference
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 11:35 à 12:20 · Salle Maillot

Ce talk explore le Model Context Protocol (MCP) d’Anthropic, un protocole clé pour connecter LLM et systèmes externes. Après une introduction pratique, il détaille les mécanismes internes de MCP via un projet Python, offrant ainsi aux participants les bases pour intégrer MCP dans leurs propres projets.

MCP en pratique : une application pour tout comprendre

Le Model Context Protocol (MCP), développé par Anthropic, représente une avancée significative dans l'interconnexion des systèmes d'intelligence artificielle. Dans un écosystème où les modèles de langage (LLM) prennent de plus en plus d'importance, comprendre et maîtriser ce protocole est essentiel pour les développeurs souhaitant intégrer des capacités avancées dans leurs applications. Ce talk, présenté par Bertrand Nau, offre une plongée technique dans le fonctionnement de MCP, en se basant sur un projet Python concret.

Ce que présente le talk

La session explore le MCP, un protocole clé pour connecter des LLM à des systèmes externes. L'intervenant propose une introduction pratique suivie d'une démonstration de développement d'une application en Python, permettant ainsi aux participants de saisir les mécanismes internes de MCP et de se préparer à son intégration dans leurs projets.

Points techniques importants

Architecture de MCP

MCP repose sur une architecture simple mais efficace, composée de trois acteurs principaux :

• Host : L'application que l'utilisateur manipule (ex. IDE, chatbot).
• Client : Un ou plusieurs clients par host, établissant des connexions un à un.
• Serveur : Le cœur du protocole, responsable de la gestion des données et des fonctionnalités.

Fonctionnalités du Serveur

Le serveur MCP propose trois primitives fondamentales :

1. Tool : Permet au LLM d'appeler des outils externes ou d'accéder à des données en temps réel.
2. Ressources : Sources de données qui peuvent être ajoutées comme des pièces jointes à un prompt.
3. Prompt : Guide l'utilisateur sur les actions possibles dans une interface de chat, facilitant ainsi l'interaction.

Communication entre les Briques

La communication entre les différents composants de MCP s'effectue via gRPC, un protocole léger permettant des échanges bidirectionnels. Les échanges principaux incluent :

• Initialisation : Handshake pour établir une session persistante.
• Utilisation des fonctionnalités : Appels de fonctionnalités entre client et serveur.
• Notifications : Mécanisme pour informer le client de changements côté serveur.

Transport des Données

MCP propose plusieurs modes de transport :

• STDIO : Pour les applications desktop, permettant une exécution locale.
• Streamable HTTP : Idéal pour des serveurs distants.
• SSE (Server-Sent Events) : Pour des notifications en temps réel (bien que déprécié).

Démonstration Pratique

L'intervenant illustre la mise en œuvre de MCP à travers une application Python utilisant le framework Fast MCP. La démonstration comprend :

• La création d'un tool pour rechercher des conférences techniques.
• L'implémentation d'un prompt pour guider l'utilisateur.
• L'exposition de ressources à partir d'un dossier local.

Ce qu'il faut retenir

MCP se présente comme un protocole versatile et puissant pour l'intégration de LLM dans des systèmes externes. Sa simplicité d'utilisation cache une architecture robuste, permettant des interactions complexes entre différents composants. Les développeurs peuvent tirer parti de ses primitives pour enrichir leurs applications et améliorer l'expérience utilisateur.

Réflexions Darkwood

L'émergence de protocoles comme MCP souligne une tendance vers une interopérabilité accrue entre les systèmes d'IA et les applications. À mesure que les LLM deviennent omniprésents, l'automatisation des workflows et l'orchestration des agents IA deviendront des enjeux cruciaux. MCP, en facilitant la connectivité et l'intégration des données, ouvre la voie à des architectures modernes où les systèmes peuvent collaborer de manière fluide, transformant ainsi le paysage du développement logiciel. La capacité à orchestrer ces interactions de manière efficace pourrait bien redéfinir les standards de l'industrie, en rendant les applications plus intelligentes et adaptatives.

Fiche programme

The evolution of Software engineering

• Speakers : Theophane Gregoir (LinkedIn)
• Type : Conference
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 11:35 à 12:20 · Salle Neuilly 153

L'évolution de l'ingénierie logicielle

Dans un contexte où l'automatisation et l'intelligence artificielle redéfinissent les pratiques de développement, la conférence présentée par Théophane Gregoir d'OpenAI explore comment des agents de codage comme Codex transforment le rôle des ingénieurs logiciels. Ce talk est particulièrement pertinent dans l'écosystème actuel, où la vitesse et l'efficacité sont primordiales pour la livraison de logiciels.

Ce que présente le talk

Théophane Gregoir met en lumière l'évolution de l'ingénierie logicielle, en se concentrant sur l'impact des agents de codage tels que Codex. L'objectif est de passer d'une approche où les développeurs écrivent manuellement du code à une orchestration d'équipes d'agents intelligents. Gregoir partage des insights sur les changements fondamentaux dans la manière dont les équipes de développement expédient leurs logiciels, en s'appuyant sur des expériences concrètes avec les clients d'OpenAI.

Points techniques importants

Codex : Un aperçu

Codex est présenté comme un modèle fondamental qui permet de comprendre et de générer du code. Gregoir explique que ce modèle repose sur une architecture à plusieurs niveaux :

• Modèle fondamental : La couche d'intelligence qui comprend et génère du code.
• Unified Agent Harness : Un cadre qui gère l'exécution des agents, l'environnement de configuration, et assure une exécution fiable.

Interactions avec Codex

Gregoir décrit trois principales interfaces pour interagir avec Codex :

1. CLI : Une interface en ligne de commande qui attire les développeurs techniques.
2. IDEs : Intégrations avec des environnements de développement comme Visual Studio.
3. Codex App : Une application de bureau qui permet une gestion plus fluide des projets, facilitant le travail sur plusieurs dépôts et tâches simultanément.

Gestion des agents

L'un des points clés du talk est la gestion des équipes d'agents. Gregoir introduit plusieurs concepts :

• agents.md : Un document d'onboarding pour les agents, leur fournissant une compréhension claire des objectifs et des outils à leur disposition.
• Plugins : Des outils réutilisables et des connexions à des applications externes, permettant aux agents de s'intégrer facilement dans le flux de travail.
• Exact Plans : Des documents de mission qui définissent les objectifs, les contraintes et les critères de succès pour les agents, transformant ces plans en mémoire institutionnelle après l'achèvement des tâches.

Revue de code automatisée

La fonctionnalité de revue de code, désormais accessible via divers canaux, permet d'obtenir un retour d'un ingénieur senior sur le code produit par les agents. Cela assure une qualité constante et une détection précoce des bogues.

Ce qu'il faut retenir

L'évolution de l'ingénierie logicielle, telle que présentée par Théophane Gregoir, souligne un changement de paradigme : les développeurs ne se contentent plus de coder, mais orchestrent des équipes d'agents intelligents. Les outils comme Codex permettent une gestion plus efficace des projets, tout en améliorant la qualité du code grâce à des revues automatisées.

Réflexions Darkwood

L'émergence d'agents intelligents dans le développement logiciel marque une étape cruciale dans l'évolution des systèmes logiciels. Ce passage vers une orchestration d'agents soulève des questions sur l'automatisation et la gouvernance des workflows. Alors que les équipes de développement adoptent ces nouvelles technologies, il est essentiel de réfléchir à l'impact sur la culture de travail, la collaboration entre humains et machines, et les implications éthiques de l'automatisation. À mesure que les agents IA deviennent des coéquipiers, la nécessité d'une supervision humaine et d'une gouvernance adéquate devient primordiale pour garantir une intégration harmonieuse dans les processus de développement.

Fiche programme

Construire des agents IA en Kotlin avec Koog

• Speakers : Ghassane LATFI (LinkedIn)
• Type : Lunch Talk
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 12:35 à 12:50 · Salle Neuilly 153

Construire des agents IA en Kotlin avec Koog

Dans un monde où l'intelligence artificielle (IA) devient omniprésente, la création d'agents autonomes capables d'interagir avec leur environnement est un enjeu majeur. La session présentée par Ghassane Latfi lors de ce lunch talk met en lumière Koog, un framework open-source développé par JetBrains, conçu pour faciliter la création d'agents IA en Kotlin. Ce sujet est particulièrement pertinent dans le contexte actuel où la demande pour des solutions d'IA intégrées dans les applications est en forte croissance.

Ce que présente le talk

La présentation se concentre sur Koog, un framework qui permet de construire des agents IA de manière maintenable et scalable. Latfi explique comment structurer un agent à l'aide de la Domain-Specific Language (DSL) de Koog, intégrer des outils externes et orchestrer des scénarios complexes. À travers un cas d'usage concret, il démontre les capacités de Koog à gérer des workflows sophistiqués tout en maintenant une architecture claire.

Points techniques importants

Architecture et Orchestration

Koog se distingue par sa capacité à orchestrer des agents IA à travers des nœuds d'exécution conditionnels et parallèles. Chaque agent peut être vu comme un graphe d'exécution, où chaque nœud représente une étape dans le traitement des données. Les nœuds peuvent être configurés pour exécuter des tâches spécifiques en fonction de conditions définies, ce qui permet une flexibilité et une réactivité accrues.

Gestion des LLMs

Un des avantages majeurs de Koog est sa couche d'abstraction pour les modèles de langage (LLM). Cela permet aux développeurs de créer des agents multi-LLM, où chaque tâche peut être associée au modèle le plus adapté. Cette approche réduit les dépendances directes et facilite la maintenance du code.

Types Complexes et Checkpoints

Koog gère également les types complexes, permettant aux développeurs de définir des classes ou des objets pour les entrées et sorties de chaque tâche. De plus, le framework offre la possibilité de créer des checkpoints, garantissant que l'exécution peut reprendre à partir du dernier état connu en cas d'erreur, ce qui est crucial pour la robustesse des systèmes en production.

Intégration et Monitoring

Le framework est conçu pour s'intégrer facilement dans des environnements variés, qu'il s'agisse de JVM, Android/iOS ou même de WebAssembly. Koog inclut par défaut des exportateurs pour des outils de monitoring tels qu'OpenTelemetry, ce qui facilite la traçabilité et l'analyse des performances des agents.

Exemple de Workflow

Latfi illustre la création d'un agent IA pour le support client dans le domaine des dispositifs médicaux. L'agent doit valider les demandes, générer des requêtes SQL et formater les réponses. Ce workflow complexe est géré par des nœuds interconnectés, chacun ayant des responsabilités spécifiques, ce qui démontre la puissance de l'approche de Koog pour orchestrer des processus métiers.

Ce qu'il faut retenir

Koog se positionne comme un outil puissant pour le développement d'agents IA en Kotlin, offrant une architecture flexible et scalable. Ses fonctionnalités d'orchestration, de gestion des LLMs et de monitoring en font un choix judicieux pour les développeurs souhaitant intégrer des agents IA dans leurs applications. L'approche par workflow permet de maintenir une clarté dans la logique métier tout en facilitant l'intégration de nouvelles fonctionnalités.

Réflexions Darkwood

La présentation de Koog s'inscrit dans une tendance plus large vers l'automatisation et l'orchestration des workflows dans le développement logiciel. À mesure que les systèmes deviennent plus complexes, la nécessité d'agents IA capables de gérer des tâches variées et d'interagir avec différents services devient cruciale. L'intégration de tels agents dans des architectures modernes pourrait transformer la manière dont les entreprises abordent la gestion des données et l'interaction client, rendant les processus plus efficaces et réactifs. Koog, avec sa conception orientée vers le développement multiplateforme et son approche modulaire, pourrait bien jouer un rôle clé dans cette évolution.

Fiche programme

Le vrai coût d'un token: la facture cachée de l’IA générative

• Speakers : Pietro Mele
• Type : Lunch Talk
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 13:00 à 13:15 · Salle Maillot

Cette session analyse le coût environnemental réel de l’IA générative — énergie, eau, déchets — au‑delà des métriques économiques. Elle propose des stratégies d’optimisation et d’architecture pour une « IA verte », plus efficace et durable, conciliant performance technologique et responsabilité écologique.

Le vrai coût d'un token : la facture cachée de l’IA générative

La session animée par Pietro Mele lors de la conférence aborde un sujet crucial et souvent négligé dans le développement de l'intelligence artificielle : le coût environnemental de l'IA générative. Alors que l'adoption de ces technologies s'accélère, il devient impératif de comprendre non seulement les implications économiques, mais aussi les impacts écologiques de ces systèmes.

Ce que présente le talk

Pietro Mele met en lumière le coût réel associé à l'utilisation de l'IA générative, qui ne se limite pas aux simples métriques financières. Il souligne l'importance de considérer les ressources énergétiques, hydriques et les déchets générés par ces technologies. La session propose également des stratégies pour optimiser l'architecture des systèmes d'IA afin de réduire leur empreinte écologique, tout en maintenant une performance technologique élevée.

Points techniques importants

Coût énergétique et environnemental

• Consommation d'énergie : L'entraînement des modèles d'IA générative, comme GPT-5, consomme des quantités d'énergie astronomiques, estimées à environ 162 millions de kWh. Pour mettre cela en perspective, cette consommation équivaut à l'énergie nécessaire pour faire un aller-retour vers Jupiter en voiture.
• Coût d'inférence : Une requête simple sur un modèle d'IA peut consommer jusqu'à 0,42 watt, soit dix fois plus qu'une recherche traditionnelle sur Google. Ce coût énergétique devient un enjeu majeur à mesure que l'utilisation des LLM (Large Language Models) se généralise.
• Consommation d'eau : Les data centers, nécessaires au fonctionnement des modèles d'IA, consomment d'énormes quantités d'eau pour le refroidissement, avec des estimations variant entre 760 et 6600 milliards de litres.

Stratégies d'optimisation

• Infrastructure écoresponsable : Concevoir des architectures optimisées et utiliser des infrastructures situées dans des régions où l'énergie est produite de manière durable, comme en France.
• Optimisation des pipelines : Nettoyer les données en amont pour réduire le coût de l'entraînement, et utiliser des architectures comme "Mixture of Experts" pour économiser des ressources.
• Approches sensibles au carbone : Utiliser des outils comme "Code Carbone" pour évaluer la consommation énergétique des applications et mettre en œuvre des techniques de "prompt caching" pour réduire les coûts d'inférence.
• Autoscaling : Mettre en place des solutions d'autoscaling, comme HPA et Keda pour Kubernetes, pour ajuster dynamiquement les ressources en fonction de la demande, réduisant ainsi les coûts et l'impact environnemental.

Économie circulaire et durabilité

• Réduction des déchets électroniques : L'impact environnemental des matériaux nécessaires à la production de GPU et de CPU est également un point de préoccupation. L'optimisation des cycles de vie des équipements peut contribuer à minimiser ces déchets.

Ce qu'il faut retenir

La session souligne l'importance de considérer le coût environnemental de l'IA générative, au-delà des simples métriques économiques. Les développeurs doivent être conscients des ressources nécessaires pour entraîner et utiliser ces modèles, et adopter des pratiques qui favorisent une IA plus durable. Les stratégies d'optimisation proposées permettent non seulement de réduire l'impact écologique, mais aussi de diminuer les coûts d'exploitation.

Réflexions Darkwood

L'évolution des systèmes logiciels vers une conscience écologique est désormais inévitable. Alors que l'automatisation et l'IA continuent de transformer les workflows, il est essentiel d'intégrer des considérations environnementales dans la conception des architectures modernes. L'optimisation des ressources et la mise en œuvre de pratiques durables ne sont pas seulement des impératifs éthiques, mais également des leviers économiques. À mesure que l'industrie du développement progresse, la capacité à concilier performance technologique et responsabilité écologique deviendra un critère déterminant pour les entreprises souhaitant se démarquer dans un marché en constante évolution.

Fiche programme

Avec l’IA, la musique a-t-elle le blues ?

• Speakers : Sébastien Moreno (LinkedIn · Bluesky)
• Type : Conference
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 13:30 à 14:15 · Salle Neuilly 153

Cette session analyse le fonctionnement des IA génératives musicales, avec démonstration, comparant création traditionnelle et nouvelles méthodes hybrides. Elle décrypte l’évolution de l’industrie musicale, ses acteurs, les bouleversements induits par l’IA, et propose des scénarios d’avenir, entre opportunités, nouveaux modèles et défis juridiques ou culturels.

Avec l’IA, la musique a-t-elle le blues ?

La session animée par Sébastien Moreno, expert en plateformes chez Deezer, aborde un sujet d'actualité brûlant : l'impact de l'intelligence artificielle sur la création musicale. À l'heure où l'IA générative s'impose dans divers domaines, la musique ne fait pas exception. Ce talk offre une perspective sur l'évolution de l'industrie musicale face à ces nouvelles technologies, tout en proposant une démonstration pratique des capacités des IA musicales.

Ce que présente le talk

Le talk se concentre sur le fonctionnement des modèles génératifs appliqués à la musique, en les comparant aux méthodes de création traditionnelles. À travers une démonstration en direct, Sébastien Moreno illustre comment ces systèmes peuvent composer des morceaux de musique, tout en mettant en lumière les forces et les limites de l'IA musicale. En parallèle, il explore la chaîne de valeur de l'industrie musicale, ses acteurs clés, et les nouveaux modèles économiques qui émergent dans ce contexte de transformation.

Points techniques importants

Modèles génératifs et processus créatif

• IA Générative : Les modèles génératifs, comme ceux utilisés par des outils tels que Suno, permettent de créer des compositions musicales à partir de simples instructions textuelles. Cette approche contraste avec le processus créatif traditionnel, qui implique souvent une collaboration humaine complexe.

• Démonstration en direct : Sébastien a montré comment générer une chanson en temps réel, en choisissant des styles musicaux, des voix, et même des éléments audio préexistants. Cela illustre la rapidité et la flexibilité des outils d'IA dans la création musicale.

Évolution de l'industrie musicale

• Chaîne de valeur : L'industrie musicale traditionnelle implique de nombreux acteurs, tels que les artistes, producteurs, labels, et distributeurs. L'IA promet de simplifier ce processus, mais soulève également des questions sur la répartition des rôles et des revenus.

• Nouveaux modèles économiques : L'émergence de l'IA générative pourrait redéfinir les relations entre artistes et producteurs, ainsi que les mécanismes de distribution. Les artistes pourraient avoir plus de contrôle sur leur création, mais cela pourrait également entraîner des tensions avec les acteurs traditionnels de l'industrie.

Défis culturels et juridiques

• Propriété intellectuelle : L'utilisation de l'IA pour générer de la musique pose des questions complexes sur la propriété des œuvres créées. Qui détient les droits d'une chanson générée par une IA ? Les artistes, les développeurs des outils, ou l'IA elle-même ?

• Impact culturel : La démocratisation de la création musicale grâce à l'IA pourrait également entraîner une uniformisation des styles et des genres, remettant en question l'authenticité et la diversité culturelle de la musique.

Ce qu'il faut retenir

La session met en lumière le potentiel disruptif de l'IA dans le domaine musical. Les modèles génératifs offrent des opportunités sans précédent pour la création musicale, tout en soulevant des défis significatifs en matière de droits d'auteur et d'impact culturel. La transformation de l'industrie musicale est en marche, et les acteurs traditionnels doivent s'adapter à cette nouvelle réalité.

Réflexions Darkwood

L'essor des systèmes d'IA générative dans la musique est révélateur d'une tendance plus large dans l'évolution des systèmes logiciels. À mesure que l'automatisation et l'intelligence artificielle prennent de l'ampleur, les workflows créatifs sont redéfinis, et les rôles au sein des équipes de développement et de création évoluent. Cette dynamique soulève des questions essentielles sur la gouvernance des technologies, l'impact sur les métiers créatifs, et la nécessité d'une régulation adaptée pour équilibrer innovation et protection des droits. Les architectures modernes doivent intégrer ces considérations pour naviguer dans un paysage en constante mutation, où l'IA ne se contente pas de soutenir la création, mais devient un acteur à part entière de celle-ci.

Fiche programme

Standards et agents IA : un tour d’horizon de MCP, A2A, ADK et plus encore

• Speakers : Guillaume Laforge (X · LinkedIn · Bluesky · Mastodon), Emmanuel Bernard (X · LinkedIn · Bluesky)
• Type : 3H Deep Dive
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 13:30 à 16:30 · Salle Neuilly 251

Cette session propose un deep dive sur les protocoles clés des agents IA (MCP, A2A, ACP) et leurs frameworks associés (ADK, Arc, Quarkus, LangChain4j). À travers démos et constructions d’agents, elle explique leur rôle, leur fonctionnement et leur importance pour concevoir des systèmes multi-agents interopérables.

Standards et agents IA : un tour d’horizon de MCP, A2A, ADK et plus encore

La session présentée par Guillaume Laforge et Emmanuel Bernard lors de la conférence sur les systèmes agentiques et l'IA met en lumière les protocoles fondamentaux qui régissent les agents IA. Dans un écosystème technologique en constante évolution, comprendre ces standards est crucial pour les développeurs souhaitant intégrer des agents intelligents dans leurs systèmes.

Ce que présente le talk

Cette session de trois heures propose une exploration approfondie des protocoles clés comme MCP (Multi-Channel Protocol), A2A (Agent-to-Agent) et ACP (Agent Communication Protocol), ainsi que des frameworks associés tels qu'ADK (Agent Development Kit), Arc, Quarkus et LangChain4j. À travers des démonstrations pratiques et la construction d'agents, les intervenants expliquent leur fonctionnement et leur importance pour la création de systèmes multi-agents interopérables.

Points techniques importants

Protocoles et standards

• MCP (Multi-Channel Protocol) : Permet aux agents de communiquer à travers différents canaux, facilitant ainsi l’interopérabilité.
• A2A (Agent-to-Agent) : Focalisé sur la communication directe entre agents, ce protocole est essentiel pour la coordination et la collaboration entre plusieurs agents.
• ACP (Agent Communication Protocol) : Un cadre pour structurer les échanges d’informations entre agents, garantissant que les messages sont compris et traités correctement.

Frameworks associés

• ADK (Agent Development Kit) : Un framework open-source de Google qui simplifie le développement d'agents IA. Il offre des outils pour créer des agents capables d'interagir avec divers protocoles.
• LangChain4j : Un projet open-source qui facilite l'intégration de LLM (Large Language Models) avec des agents, permettant ainsi de créer des applications plus intelligentes.
• Quarkus : Un framework Java qui optimise le développement d'applications cloud-native, particulièrement adapté pour les systèmes basés sur des agents.

Architecture des agents IA

Les intervenants définissent un agent IA comme un système capable de percevoir son environnement et d'agir en conséquence. Ils soulignent quatre éléments clés nécessaires à la conception d'un agent :

1. Cerveau (LLM) : Un modèle de langage qui permet à l'agent de comprendre et de générer du texte.
2. Mémoire : Essentielle pour que l'agent puisse se souvenir des interactions passées et maintenir un contexte.
3. Planification : La capacité de déterminer les actions à entreprendre en fonction des objectifs définis.
4. Outils : Les agents doivent pouvoir utiliser des outils externes pour accomplir leurs tâches, qu'il s'agisse d'APIs ou d'autres services.

Phases d'interaction des agents

Les intervenants décrivent plusieurs phases dans le fonctionnement d'un agent :

• Réflexion : Comprendre l'objectif à atteindre et les outils disponibles.
• Planification : Déterminer les actions à entreprendre, que ce soit de manière déterministe ou émergente.
• Action : Exécution des tâches via des appels à des APIs ou d'autres services.
• Réflexion post-action : Évaluation des résultats obtenus et ajustement des actions si nécessaire.

Orchestration et multi-agents

L'importance de l'orchestration dans les systèmes multi-agents est également abordée. Les intervenants soulignent que la décomposition des tâches en agents spécialisés peut mener à des résultats plus efficaces qu'un agent omnipotent.

Ce qu'il faut retenir

• La compréhension des protocoles comme MCP et A2A est essentielle pour développer des systèmes d'agents IA interopérables.
• Les frameworks comme ADK et LangChain4j offrent des outils puissants pour faciliter le développement d'agents.
• La conception d'agents IA doit prendre en compte non seulement leur capacité à agir, mais aussi leur mémoire, leur planification et leur utilisation d'outils externes.

Réflexions Darkwood

L'évolution des systèmes logiciels vers des architectures basées sur des agents IA représente une avancée significative dans le développement d'applications intelligentes. L'automatisation des workflows et la capacité des agents à interagir de manière autonome ouvrent de nouvelles perspectives pour la gouvernance des systèmes. L'intégration de protocoles standardisés comme MCP et A2A est cruciale pour garantir l'interopérabilité entre agents, ce qui pourrait transformer la manière dont les entreprises conçoivent et déploient des solutions basées sur l'IA. À mesure que ces technologies se développent, les défis liés à la sécurité et à la gestion des données deviendront encore plus pressants, nécessitant une réflexion approfondie sur les meilleures pratiques et les normes à adopter.

Fiche programme

Une approche bottom-up pour la construction d'une taxonomie produit

• Speakers : Robin Vaysse (LinkedIn)
• Type : Conference
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 13:30 à 14:15 · Salle Paris 242AB

Mirakl conçoit une taxonomie produit émergente à partir des données réelles plutôt qu’imposée. En combinant embeddings et LLMs, les produits se regroupent automatiquement en catégories spécifiques à chaque domaine, garantissant couverture et pertinence. Le talk détaille l’architecture et les avantages de cette approche bottom-up multi-industries.

Une approche bottom-up pour la construction d'une taxonomie produit

Dans un contexte où la diversité des produits sur les marketplaces est en constante augmentation, la nécessité d'une taxonomie produit efficace et adaptable devient cruciale. La session présentée par Robin Vaysse chez Mirakl aborde cette problématique en proposant une approche innovante qui repose sur des données réelles plutôt que sur des structures imposées. L'utilisation conjointe d'embeddings et de modèles de langage (LLMs) permet de regrouper automatiquement les produits en catégories pertinentes, adaptées à chaque domaine. Ce talk met en lumière l'architecture et les choix techniques qui sous-tendent cette méthode bottom-up.

Ce que présente le talk

La présentation se concentre sur la création d'une taxonomie produit à partir de millions de données réelles. Contrairement à une approche top-down, qui impose des catégories prédéfinies, Mirakl adopte une méthode où la taxonomie émerge naturellement des produits eux-mêmes. Cette stratégie vise à garantir une couverture exhaustive et une pertinence accrue des catégories, tout en facilitant la maintenance et l'évolutivité.

Points techniques importants

Architecture et choix techniques

1. Approche Bottom-Up

   • La méthode consiste à partir des produits pour créer la taxonomie, plutôt que de définir des catégories à l'avance. Cela permet d'assurer que chaque produit trouve sa place dans une catégorie existante ou en crée une nouvelle si nécessaire.

2. Utilisation des Embeddings et LLMs

   • Les produits sont représentés par des embeddings, qui sont des vecteurs générés à partir de leurs descriptions. Ces embeddings permettent de mesurer la similarité entre les produits et d'identifier des catégories pertinentes.
   • Un LLM est utilisé pour déterminer si un produit appartient à une catégorie existante ou s'il faut en créer une nouvelle. Ce processus itératif permet d'affiner continuellement la taxonomie.

3. Granularité et Couverture

   • Les critères de granularité sont cruciaux. La taxonomie doit être suffisamment précise pour être utile, mais pas trop pour éviter la confusion. LLMs sont guidés par des exemples de catégories existantes pour maintenir cette granularité.
   • La couverture est assurée par le fait que chaque catégorie est basée sur des produits réels, garantissant ainsi que tous les types de produits sont représentés.

Processus de Création de Taxonomie

1. Collecte de Données

   • Mirakl a acquis environ 3 millions de produits uniques, en veillant à la diversité des catégories pour éviter des biais dans la création de la taxonomie.

2. Normalisation des Données

   • Les données sont normalisées à l'aide d'un LLM qui agrège les informations provenant de différentes sources, produisant une fiche produit standardisée.

3. Catégorisation

   • Le processus de catégorisation commence avec des produits sans catégories. À chaque itération, le LLM détermine si un produit doit être classé dans une catégorie existante ou si une nouvelle catégorie doit être créée.

4. Asynchronisme et Scalabilité

   • Bien que le processus soit initialement séquentiel pour éviter les doublons, il devient possible de paralléliser les tâches une fois qu'un certain seuil de produits traités est atteint, améliorant ainsi l'efficacité du pipeline.

Extraction des Attributs

• Après la création des catégories, les attributs pertinents pour chaque catégorie sont extraits et normalisés. Cela implique un processus de dé-duplication sémantique pour garantir que les attributs sont cohérents et pertinents.

Ce qu'il faut retenir

L'approche bottom-up présentée par Mirakl offre une solution flexible et évolutive pour la création de taxonomies produits. En s'appuyant sur des données réelles et des techniques avancées d'apprentissage automatique, cette méthode permet de surmonter les limitations des approches traditionnelles. Les points clés à retenir incluent :

• L'importance de partir des données réelles pour construire des catégories pertinentes.
• L'utilisation conjointe d'embeddings et de LLMs pour assurer une couverture et une granularité adéquates.
• La possibilité d'automatiser et d'optimiser le processus de catégorisation grâce à un pipeline évolutif.

Réflexions Darkwood

Cette session soulève des questions intéressantes sur l'évolution des systèmes logiciels, notamment en matière d'automatisation et de gouvernance des données. L'approche bottom-up pourrait bien représenter un tournant dans la manière dont les entreprises abordent la classification et la gestion des produits. En intégrant des agents IA dans le processus de création de taxonomies, les organisations peuvent non seulement améliorer la pertinence de leurs catégories, mais aussi gagner en agilité face à un marché en constante évolution.

L'impact potentiel sur l'industrie du développement est significatif : la capacité à créer des taxonomies adaptatives et évolutives pourrait transformer la manière dont les marketplaces gèrent la diversité des produits, tout en offrant une meilleure expérience utilisateur. Cette réflexion sur l'orchestration des données et l'automatisation des workflows est essentielle pour les entreprises souhaitant rester compétitives dans un environnement numérique de plus en plus complexe.

Fiche programme

Comment Harness a aidé Docaposte à sécuriser code et supply chain

• Speakers : David SEVIN
• Type : Conference
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 14:35 à 15:20 · Salle Paris 242AB

Docaposte présente un retour d’expérience sur une software factory « Human first, LLM proof », conçue pour rester maîtrisée face aux usages des LLM par les développeurs comme par les attaquants. Quatre axes : isolation, sanitation, supply chain et auditabilité, avec architecture déployée et incident réel.

Comment Harness a aidé Docaposte à sécuriser code et supply chain

Dans un contexte où les modèles de langage (LLM) sont de plus en plus intégrés dans les chaînes de développement, la question de la sécurité devient cruciale. La session présentée par David Sevin de Docaposte aborde cette problématique en proposant un retour d'expérience sur la mise en place d'une software factory résiliente et sécurisée. Ce talk est particulièrement pertinent pour les architectes et les DevSecOps, car il traite des défis actuels liés à l'intégration des LLM dans les processus de développement.

Ce que présente le talk

David Sevin expose la démarche adoptée par Docaposte pour sécuriser sa chaîne CI/CD face à l'utilisation croissante des LLM par les développeurs et les attaquants. L'approche "Human first, LLM proof" se concentre sur quatre axes : l'isolation, la sanitation, la supply chain et l'auditabilité. L'objectif est de concevoir un système robuste qui prend en compte les usages réels, qu'ils soient bénéfiques ou malveillants.

Points techniques importants

Architecture de la Software Factory

La solution retenue par Docaposte repose sur une architecture CI/CD sécurisée, intégrant des outils variés pour la détection et la remédiation des vulnérabilités. L'architecture est conçue pour être adaptable, permettant de gérer les menaces internes et externes.

Isolation et Sanitation

• Isolation : Les processus de développement sont isolés pour minimiser les risques de contamination entre les différentes étapes. Cela inclut des environnements de test et de production distincts.
• Sanitation : Les données et le code sont soumis à des processus de sanitation pour éliminer les vulnérabilités potentielles avant déploiement.

Supply Chain et Auditabilité

• Supply Chain : L'intégration de bibliothèques et d'outils externes est soigneusement gérée pour éviter l'introduction de failles. Des outils comme Trivy sont utilisés pour scanner les dépendances et détecter les vulnérabilités.
• Auditabilité : Chaque étape du pipeline est documentée, permettant une traçabilité complète des modifications et des décisions prises.

Outils et Workflow

David Sevin présente plusieurs outils intégrés dans leur pipeline CI/CD :

• Kit Leak : Pour détecter les fuites de secrets.
• Semgrep : Pour identifier les patterns de code dangereux.
• Trivy : Pour vérifier la sécurité des bibliothèques et des conteneurs.
• Checkov : Pour détecter les erreurs de configuration.

Ces outils sont orchestrés de manière à automatiser les tests de sécurité et à réduire le temps de feedback pour les développeurs.

Remédiation et Gouvernance

La plateforme Harness permet de générer des recommandations de remédiation basées sur l'IA, facilitant ainsi la correction des failles détectées. De plus, des règles de gouvernance peuvent être définies pour empêcher l'exécution de pipelines non conformes, assurant ainsi une conformité continue avec les standards de sécurité.

Ce qu'il faut retenir

La session met en lumière l'importance de concevoir des systèmes de développement qui intègrent la sécurité dès le départ. Les quatre axes présentés — isolation, sanitation, supply chain et auditabilité — constituent un cadre solide pour sécuriser les chaînes CI/CD face aux menaces contemporaines. L'utilisation d'outils variés et d'une approche proactive en matière de remédiation est essentielle pour maintenir la sécurité tout en permettant l'innovation.

Réflexions Darkwood

L'évolution des systèmes logiciels vers une intégration accrue des LLM pose des défis sans précédent en matière de sécurité. Les approches telles que celle de Docaposte, qui privilégient une gouvernance rigoureuse et une orchestration intelligente des outils de sécurité, sont cruciales. L'automatisation des workflows de sécurité et l'utilisation d'agents IA pour la remédiation peuvent transformer la manière dont les équipes de développement abordent la sécurité. À mesure que les architectures modernes évoluent, il devient impératif d'intégrer ces considérations dès la phase de conception pour garantir la résilience face aux menaces potentielles.

Fiche programme

Serveurs MCP sécurisés avec Spring AI

• Speakers : Daniel Garnier-Moiroux (LinkedIn · Bluesky · Mastodon)
• Type : Conference
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 14:35 à 15:20 · Salle Neuilly 252AB

Cette présentation explique comment sécuriser des applications LLM connectées via MCP grâce à OAuth2. À travers un exemple pratique avec Spring AI et le SDK MCP, elle détaille l’ajout d’une couche d’accès sécurisé, les choix architecturaux à faire et l’impact sur les serveurs et applications.

Serveurs MCP sécurisés avec Spring AI

Dans un contexte où l'intégration des systèmes d'intelligence artificielle devient incontournable, la sécurisation des applications utilisant des modèles de langage (LLM) est un enjeu majeur. La session animée par Daniel Garnier-Moiroux aborde ce sujet en profondeur, en se concentrant sur la sécurisation des applications LLM via le Model Context Protocol (MCP) et OAuth2, tout en utilisant Spring AI comme cadre de développement.

Ce que présente le talk

La présentation explore comment sécuriser des applications LLM connectées via MCP en intégrant une couche de sécurité basée sur OAuth2. À travers un exemple pratique, Daniel démontre comment construire un serveur MCP avec Spring AI et le SDK MCP, tout en discutant des choix architecturaux et des implications sur les serveurs et applications.

Points techniques importants

Introduction à MCP et OAuth2

MCP, ou Model Context Protocol, est un protocole standardisé permettant de connecter des applications basées sur des LLM à des serveurs tiers. Il facilite l'interaction entre les LLM et des fonctionnalités externes, comme la prise de rendez-vous ou la gestion de notes de frais. Cependant, l'accès à ces serveurs doit être sécurisé, ce qui nécessite l'intégration d'OAuth2 pour gérer les autorisations et l'accès.

Architecture et choix techniques

• OAuth2 : Le choix du type de "grant" OAuth2 est crucial. Daniel évoque les différentes options disponibles et comment elles impactent l'accès aux fonctionnalités. Par exemple, limiter certaines actions uniquement aux administrateurs est une pratique recommandée.

• Spring AI : L'intégration de Spring AI dans le développement d'un serveur MCP est mise en avant. Daniel montre comment configurer une application Spring pour qu'elle agisse comme un serveur MCP, en ajoutant des dépendances spécifiques et en configurant des outils via des annotations.

Sécurisation des applications

• Implémentation d'OAuth2 : La mise en place d'une couche de sécurité nécessite des intégrations côté client et serveur. Daniel présente un exemple de connexion à un serveur d'autorisation, illustrant comment gérer les sessions utilisateur et les permissions.

• Gestion des outils MCP : La création d'outils MCP via des méthodes annotées permet d'exposer des fonctionnalités spécifiques aux LLM. Daniel montre comment définir des méthodes dans un service Spring et les annoter pour qu'elles soient reconnues comme des outils MCP.

Démonstration pratique

Daniel réalise une démonstration en temps réel, où il construit un serveur MCP et y intègre des outils. Il utilise un client MCP pour tester les appels aux outils, illustrant ainsi le flux de données entre l'application, le LLM et le serveur.

Ce qu'il faut retenir

• L'intégration de MCP avec OAuth2 est essentielle pour sécuriser les applications LLM.
• Les choix architecturaux, tels que le type de "grant" OAuth2 et la définition des outils MCP, influencent directement la sécurité et la fonctionnalité des applications.
• Spring AI offre des mécanismes robustes pour construire des serveurs MCP sécurisés, facilitant l'intégration avec des systèmes tiers.

Réflexions Darkwood

La sécurisation des systèmes logiciels, notamment ceux intégrant des LLM, représente un défi croissant dans l'industrie du développement. L'automatisation des processus via des agents IA et des workflows orchestrés devient une nécessité pour garantir la sécurité tout en maintenant une expérience utilisateur fluide. L'intégration de protocoles comme MCP et OAuth2 dans des architectures modernes permet non seulement de répondre aux exigences de sécurité, mais aussi d'optimiser les interactions entre les différents composants d'un système. À l'avenir, l'évolution vers des architectures plus distribuées et sécurisées sera essentielle pour tirer pleinement parti des capacités des LLM tout en protégeant les données sensibles.

Fiche programme

Tatouage numérique pour l'IA générative

• Speakers : Pierre Fernandez (X · LinkedIn), Tom Sander (X · LinkedIn)
• Type : Conference
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 14:35 à 15:20 · Salle Paris 143

La présentation décrit Meta Seal, cadre open source pour intégrer des tatouages numériques invisibles et robustes (image, vidéo, audio, texte). Elle détaille ses modules (PixelSeal, AudioSeal, TextSeal), leur passage de la recherche à la production chez Meta, leurs limites actuelles et les perspectives de tatouage pour la traçabilité des contenus et données.

Tatouage numérique pour l'IA générative

La session intitulée "Tatouage numérique pour l'IA générative" présentée par Pierre Fernandez et Tom Sander de Meta aborde un sujet crucial dans le contexte actuel de l'IA générative : la nécessité d'assurer la traçabilité et l'authenticité des contenus générés. Alors que les technologies de génération de contenu se perfectionnent, les risques associés à leur utilisation augmentent, rendant les solutions de tatouage numérique indispensables pour garantir la transparence et la sécurité des informations.

Ce que présente le talk

La présentation introduit Meta Seal, un cadre open source conçu pour intégrer des tatouages numériques invisibles et robustes dans divers types de contenus, y compris les images, vidéos, audio et texte. Les intervenants détaillent les trois modules principaux de Meta Seal : PixelSeal pour les images et vidéos, AudioSeal pour le contenu audio, et TextSeal pour le texte. Ils discutent également du passage de ces technologies de la recherche à la production, des défis rencontrés et des perspectives d'avenir pour le tatouage numérique, notamment en ce qui concerne la traçabilité des données.

Points techniques importants

Architecture et Modules

1. PixelSeal :

   • Conçu pour les images et vidéos, il utilise des réseaux de neurones pour intégrer des tatouages invisibles.
   • L'approche repose sur des techniques d'entraînement adversarial, garantissant une robustesse face aux modifications des images.

2. AudioSeal :

   • Adapté pour le streaming audio en temps réel, il permet de tatouer des contenus audio sans affecter leur qualité perceptible.

3. TextSeal :

   • Dédié au tatouage de texte, il vise à assurer l'intégrité des contenus textuels, notamment pour des applications de recherche.

Techniques de Watermarking

• Post-Generation Watermarking :

  • Le tatouage est appliqué après la génération du contenu. Cette méthode, bien que simple, présente des limites en termes de robustesse et de traçabilité.

• Watermarking à la Génération :

  • Intégration du tatouage directement lors de la génération du contenu, ce qui permet une meilleure imperceptibilité et robustesse.

• Critères d'Évaluation :

  • Imperceptibilité : La modification doit être indétectable par l'œil humain.
  • Charge Utile : Capacité à intégrer un message binaire sans dégrader le contenu.
  • Robustesse : Capacité à récupérer le message même après des transformations (recadrage, compression).

Détection et Traçabilité

• Fingerprinting :

  • Stockage d'empreintes digitales des contenus générés pour faciliter la détection. Cependant, cette méthode pose des défis en termes de scalabilité.

• Content Authenticity Initiative :

  • Un consortium visant à standardiser les méthodes de tatouage numérique pour assurer la transparence des contenus sur les plateformes sociales.

Ce qu'il faut retenir

La session met en lumière l'importance croissante des tatouages numériques dans le paysage de l'IA générative. Les modules de Meta Seal offrent des solutions robustes pour garantir l'authenticité et la traçabilité des contenus, tout en soulignant les défis techniques associés à leur mise en œuvre. La nécessité d'une approche proactive dans la détection des contenus générés est également un point clé, surtout à l'ère de la désinformation.

Réflexions Darkwood

Le développement de solutions de tatouage numérique comme Meta Seal s'inscrit dans une tendance plus large vers l'automatisation et la gouvernance des contenus numériques. À mesure que les systèmes d'IA deviennent plus sophistiqués, la nécessité de mécanismes de traçabilité et d'authenticité se renforce. Cela soulève des questions sur l'avenir des workflows de création de contenu, où l'intégration de l'IA pourrait devenir la norme. Les implications pour l'industrie du développement sont profondes : la nécessité d'une gouvernance des contenus générés pourrait redéfinir les standards de qualité et de sécurité, tout en ouvrant la voie à de nouvelles architectures basées sur la transparence et la responsabilité.

Fiche programme

L'IA dans le cycle de vie logiciel : quelles opportunités, quelles limites ?

• Speakers : Aissa Bouhadjar (LinkedIn), Raphaël UZAN (LinkedIn), Ghizlane Pacheco
• Type : Conference
• Niveau : INTERMEDIATE
• Langue : French
• Créneau : 22/04/2026, 15:40 à 16:25 · Salle Maillot

L’IA transforme l’ensemble du cycle de vie logiciel, de la conception au déploiement. À partir de l’expérience d’une grande banque, cette présentation partage approches, pratiques et enseignements pour intégrer l’IA dans les chaînes de développement et améliorer l’efficacité des équipes grâce à des outils concrets et des retours terrain.

L'IA dans le cycle de vie logiciel : quelles opportunités, quelles limites ?

L'intelligence artificielle (IA) est en train de redéfinir le paysage du développement logiciel. Dans un contexte où l'efficacité et l'innovation sont primordiales, la session présentée par Aissa Bouhadjar, Raphaël Uzan et Ghizlane Pacheco au Crédit Agricole explore comment l'IA peut transformer chaque phase du cycle de vie logiciel, de la conception à la maintenance. Cette réflexion est d'autant plus pertinente dans un secteur bancaire où la fiabilité et la sécurité sont des impératifs.

Ce que présente le talk

Le talk aborde les différentes manières dont l'IA peut être intégrée dans le cycle de vie logiciel, en mettant l'accent sur les pratiques adoptées par le Crédit Agricole. Les intervenants partagent des retours d'expérience concrets, des outils utilisés et les défis rencontrés lors de l'implémentation de l'IA dans leurs processus de développement. L'objectif est de fournir des repères pratiques pour les équipes de développement souhaitant adopter ces technologies.

Points techniques importants

1. Transformation du cycle de vie logiciel

L'IA est intégrée à chaque étape du cycle de vie logiciel, ce qui inclut :

• Analyse : Utilisation d'agents IA pour générer des documents de spécifications (PRD, BRD) en posant des questions précises et en itérant avec des utilisateurs humains. Cela permet de clarifier les exigences et de réduire les ambiguïtés.

• Design : L'IA aide à créer des designs fonctionnels et techniques adaptés aux besoins organisationnels. Les standards de l'entreprise sont pris en compte pour garantir que les solutions proposées soient viables et conformes aux attentes.

• Développement : Les outils d'IA assistent les développeurs dans la création de code, en générant des scénarios de tests et en facilitant le refactoring des applications existantes.

• Tests et Déploiement : L'IA permet d'automatiser les tests et d'optimiser les pipelines CI/CD, réduisant ainsi les erreurs humaines et améliorant la qualité des livrables.

• Maintenance : Les systèmes d'IA peuvent analyser les performances des applications en production, identifier les problèmes et proposer des solutions proactives.

2. Outils et pratiques

Les intervenants mettent en avant plusieurs outils et pratiques :

• Human in the Loop : Un processus itératif où l'IA génère des propositions et les utilisateurs humains affinent ces propositions, garantissant ainsi la qualité des livrables.

• Templates de PRD : Utilisation de modèles standardisés pour structurer les documents de spécifications, facilitant ainsi la compréhension et l'alignement au sein des équipes.

• Agents spécialisés : Développement d'agents IA adaptés à des domaines spécifiques (banque d'investissement, banque de détail) pour répondre aux besoins particuliers de chaque entité.

3. Défis et limites

Malgré les avantages, plusieurs défis sont soulevés :

• Ambiguïté des exigences : Les exigences peuvent évoluer, rendant difficile la planification et la mise en œuvre.

• Non-standardisation : L'hétérogénéité des pratiques de développement peut nuire à la qualité et à la maintenabilité des applications.

• Dette technique : La complexité croissante des systèmes peut entraîner une accumulation de dette technique, rendant les refactorings difficiles.

Ce qu'il faut retenir

L'intégration de l'IA dans le cycle de vie logiciel offre des opportunités significatives pour améliorer l'efficacité des équipes de développement. Cependant, il est essentiel de rester conscient des défis associés, notamment en termes de standardisation et de gestion de la dette technique. Les pratiques partagées par le Crédit Agricole peuvent servir de guide pour d'autres organisations souhaitant adopter ces technologies.

Réflexions Darkwood

L'évolution des systèmes logiciels vers une intégration accrue de l'IA souligne une tendance vers l'automatisation et l'orchestration des workflows. Dans un monde où les exigences changent rapidement, la capacité à s'adapter et à innover tout en maintenant la rigueur et la sécurité est cruciale. Les agents IA, en tant qu'outils d'assistance, pourraient transformer non seulement la manière dont les applications sont développées, mais aussi la façon dont les équipes collaborent et interagissent avec ces technologies. L'avenir du développement logiciel semble s'orienter vers une synergie entre l'humain et l'IA, où chaque acteur joue un rôle complémentaire dans la création de solutions robustes et fiables.

Fiche programme

Conception d'une IA de jeu vidéo avec l'apprentissage par renforcement

• Speakers : Vincent Ogloblinsky (LinkedIn · Bluesky)
• Type : Tools-in-Action
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 17:00 à 17:30 · Salle Paris 141

Découvrez la conception d’une IA jouant à un jeu de palet grâce à l’apprentissage par renforcement et à l’architecture Actor-Critic. Le talk détaille l’implémentation technique, les défis rencontrés et les résultats, avec conseils pratiques pour développer des IA similaires dans les jeux vidéo à actions continues.

Conception d'une IA de jeu vidéo avec l'apprentissage par renforcement

L'essor des intelligences artificielles dans le domaine des jeux vidéo soulève des questions fascinantes sur la manière dont ces systèmes peuvent apprendre et s'adapter sans intervention humaine directe. La session animée par Vincent Ogloblinsky, de Orange Innovation, explore cette thématique à travers la conception d'une IA capable de jouer à un jeu de palet, en utilisant l'apprentissage par renforcement et l'architecture Actor-Critic. Ce talk s'inscrit dans une tendance croissante où l'IA ne se contente pas de suivre des règles prédéfinies, mais apprend par l'expérience, offrant ainsi une perspective enrichissante pour les développeurs souhaitant intégrer l'IA dans leurs projets.

Ce que présente le talk

Vincent Ogloblinsky partage son expérience de plusieurs mois consacrés à la création d'une IA pour un jeu de palet. L'objectif principal est d'entraîner cette IA à jouer contre un adversaire humain sans lui fournir de règles de stratégie explicites. Le talk aborde les défis techniques rencontrés, les différentes approches adoptées et les résultats obtenus, tout en fournissant des conseils pratiques pour ceux qui souhaitent développer des IA similaires dans des jeux à actions continues.

Points techniques importants

Apprentissage par renforcement

L'apprentissage par renforcement (RL) est présenté comme une méthode où l'IA apprend à partir de l'expérience, en recevant des récompenses pour ses actions. Vincent fait une analogie avec l'apprentissage d'un enfant à faire du vélo : sans explications théoriques, l'enfant apprend à travers des essais et des erreurs, tout comme l'IA.

Architecture Actor-Critic

L'architecture choisie pour ce projet est l'Actor-Critic, qui se compose de trois éléments principaux :

• L'Acteur : Il décide des actions à entreprendre en fonction de l'état actuel du jeu.
• Le Critique : Il évalue les actions de l'Acteur et fournit un retour sur leur efficacité.
• Un Observateur : Il surveille l'état du jeu et aide l'Acteur à prendre des décisions informées.

Cette structure permet de réduire la variance et d'améliorer la stabilité de l'apprentissage, en fournissant un feedback plus granulaire et en favorisant une exploration plus efficace des stratégies.

Implémentation technique

Vincent a utilisé Playwright pour automatiser les sessions de jeu, permettant à l'IA d'interagir avec le jeu en temps réel. L'IA reçoit des informations sur l'état du jeu via des hooks JavaScript, et les actions sont pilotées par des valeurs continues, comme la force et l'angle de lancer. Ce choix technique permet une flexibilité dans l'apprentissage, mais nécessite également une gestion complexe des états et des récompenses.

Scalabilité et performance

Un des défis majeurs rencontrés était la scalabilité de l'entraînement. En optant pour une architecture sans rendu 3D, mais en se concentrant sur les calculs en Node.js, Vincent a réussi à paralléliser les sessions de jeu, augmentant ainsi la vitesse d'entraînement de manière significative. Il a rapporté des améliorations de performance allant jusqu'à 300 fois plus rapides que les méthodes précédentes, permettant ainsi des itérations d'apprentissage plus fréquentes.

Cycle d'apprentissage

Le cycle d'apprentissage est itératif et repose sur l'évaluation continue des actions de l'IA. Chaque partie de jeu est analysée, et les poids du modèle sont mis à jour en fonction des récompenses obtenues. Ce processus permet à l'IA de converger vers des stratégies optimales au fil du temps.

Ce qu'il faut retenir

• L'apprentissage par renforcement permet à une IA d'apprendre sans règles explicites, en se basant sur des récompenses.
• L'architecture Actor-Critic offre une approche robuste pour gérer l'apprentissage, en séparant les rôles d'action et d'évaluation.
• L'implémentation technique nécessite une attention particulière à la scalabilité et à la performance, surtout pour des jeux à actions continues.
• Le cycle d'apprentissage itératif est crucial pour affiner les stratégies de l'IA et améliorer ses performances.

Réflexions Darkwood

L'évolution des systèmes logiciels vers des architectures d'apprentissage par renforcement ouvre de nouvelles perspectives pour l'automatisation et l'orchestration des processus dans divers domaines. L'intégration d'agents IA dans des workflows complexes, comme ceux des jeux vidéo, démontre la capacité de ces systèmes à s'adapter et à optimiser leurs performances en temps réel. Cette approche pourrait également influencer la manière dont les développeurs conçoivent des applications, en mettant l'accent sur des objectifs plutôt que sur des règles rigides. À mesure que ces technologies se développent, il sera essentiel de considérer les implications éthiques et pratiques de leur utilisation, notamment en matière de gouvernance et de responsabilité.

Fiche programme

Du texte aux données structurées complexes : quand le prompt ne suffit plus

• Speakers : Thomas Villaren (LinkedIn)
• Type : Tools-in-Action
• Niveau : BEGINNER
• Langue : French
• Créneau : 22/04/2026, 17:00 à 17:30 · Salle Neuilly 153

Chez PayFit, l’extraction automatisée de paramètres de paie via les LLMs s’appuie sur une boucle de feedback et une évaluation métier systématique pour fiabiliser la génération de données structurées. Ce retour d’expérience présente des méthodes concrètes pour dépasser le non‑déterminisme des LLMs et garantir le respect des contraintes métier.

Du texte aux données structurées complexes : quand le prompt ne suffit plus

Dans un monde où l'automatisation et l'intelligence artificielle redéfinissent les processus métier, la capacité à extraire des données structurées à partir de textes complexes est devenue cruciale. La session présentée par Thomas Villaren chez PayFit aborde ce défi en mettant en lumière l'utilisation des modèles de langage (LLMs) pour automatiser l'extraction de paramètres de paie, tout en garantissant la conformité aux contraintes métier. Ce retour d'expérience est particulièrement pertinent pour les développeurs et les architectes de systèmes qui cherchent à intégrer des solutions d'IA dans des environnements réglementés.

Ce que présente le talk

La présentation se concentre sur l'extraction automatisée de données de paie à partir de textes législatifs, un processus traditionnellement manuel et sujet à erreurs. Villaren explique comment PayFit a mis en place une boucle de feedback et une évaluation systématique pour fiabiliser cette extraction. L'objectif est de dépasser le non-déterminisme des LLMs et de s'assurer que les données générées respectent les contraintes métier.

Points techniques importants

Architecture et flux de travail

Le processus d'extraction repose sur une architecture en boucle de feedback qui permet d'interagir dynamiquement avec le LLM. Ce système est conçu pour valider à la fois la syntaxe et la sémantique des données extraites. La boucle de feedback est essentielle pour corriger les sorties du LLM en fonction des règles métier prédéfinies.

Utilisation des LLMs

Villaren aborde les défis liés à l'utilisation des LLMs, notamment leur nature probabiliste et non déterministe. Il souligne l'importance de structurer les prompts pour obtenir des résultats fiables. Les prompts sont divisés en deux parties :

• Système prompt : Instructions de base fournies au LLM, incluant le schéma cible et les règles métier.
• Prompt utilisateur : Contexte spécifique à

…

• Poster un commentaire