.png)
Veille technologique - TIC - Gouvernance - AI - GPT (Teams, INSIDER Windows 11, INSIDER MICROSOFT 365, BETA TESTS Edge et Bing, et veille technologique sur les GAFAM+N), j'ai publié deux livres sur les solutions Microsoft et l'AI et Copilot (c'est le quatrième aux formats ePUB et Papiers). Je pratique la Veille technologique active sur les TIC, Copilot, Ollama, LLAMA, Claude 3.5 Sonnet, Gemini, Bing, ChatGPT et AI et je suis membre de AIDAUG et UGAIA, GUILD4AI - "Association de fait" http://www.ugaia.eu https://ugaia.wordpress.com/ https://lecercle.guild4ai.ai/
Veille technologique - TIC - Gouvernance - AI - GPT (Teams, INSIDER Windows 11, INSIDER MICROSOFT 365, BETA TESTS Edge et Bing, et veille technologique sur les GAFAM+N), j'ai publié deux livres sur les solutions Microsoft et l'AI et Copilot (c'est le quatrième aux formats ePUB et Papiers). Je pratique la Veille technologique active sur les TIC, Copilot, Ollama, LLAMA, Claude 3.5 Sonnet, Gemini, Bing, ChatGPT et AI et je suis membre de AIDAUG et UGAIA, GUILD4AI - "Association de fait" http://www.ugaia.eu https://ugaia.wordpress.com/ https://lecercle.guild4ai.ai/
Basé sur mes documents et besoins, j'ai élaboré une proposition de projet de DashBoard complète pour connecter notre tableau de bord T2BI avec le protocole MCP afin de créer un système de gouvernance IA robuste. Voir dans ce document le POC et sa vidéo.
https://lecercle.guild4ai.ai/c/espace-technique/model-context-protocol-mcp
https://lecercle.guild4ai.ai/c/espace-technique/projet-de-mise-en-preproduction-du-t2bi-ia-cotations
La solution proposée intègre :
Un tableau de bord T2BI interactif qui sert d'interface centrale pour visualiser et gérer tous les aspects de la gouvernance IA
Plusieurs serveurs MCP spécialisés qui collectent, analysent et transmettent les données depuis diverses sources vers le tableau de bord
Un système de KPIs complet pour surveiller la conformité, la sécurité, les performances et d'autres aspects critiques de vos initiatives IA
Un mécanisme d'alertes pour vous avertir proactivement des problèmes potentiels
Centralisation : Un point unique pour la gouvernance de toutes vos initiatives IA
Automatisation : Réduction significative du travail manuel grâce aux agents MCP
Adaptabilité : Architecture modulaire qui s'adapte à vos besoins spécifiques
Traçabilité : Historique complet et documentation des actions et décisions
La solution peut être déployée progressivement, en commençant par un POC ciblé et en évoluant vers un déploiement complet. Les guides fournis vous aideront à chaque étape du processus.
Cette intégration renforcera considérablement votre Centre d'Excellence IA (AI CoE), en lui fournissant les outils nécessaires pour assurer une gouvernance efficace et conforme de vos solutions d'IA.
Pour démarrer, je vous recommande de commencer par le POC du tableau de bord et d'implémenter progressivement les serveurs MCP pour chaque domaine de gouvernance (conformité, sécurité, performance).
Analyser le document sur le tableau de bord T2BI
Analyser le document sur le Model Context Protocol (MCP)
Analyser le document sur le concept GAI AI CoE
Identifier les points d'intégration possibles entre T2BI et MCP
Résumer les concepts clés et les fonctionnalités
Rechercher des informations supplémentaires sur T2BI
Rechercher des informations supplémentaires sur MCP
Rechercher des exemples de gouvernance IA existants
Identifier les meilleures pratiques pour les KPI de gouvernance IA
Définir l'architecture globale du système
Concevoir le flux de données entre T2BI et MCP
Définir les API et interfaces nécessaires
Identifier les composants techniques requis
Créer un schéma d'architecture
Mettre en place l'environnement de développement
Développer le backend pour la connexion T2BI-MCP
Implémenter les API nécessaires
Créer les scripts de traitement des données
Tester les fonctionnalités de base
Concevoir la structure du tableau de bord
Créer les maquettes des écrans principaux
Intégrer les KPI de gouvernance IA
Concevoir les visualisations de données
Finaliser le design de l'interface utilisateur
Documenter l'architecture technique
Créer un guide d'utilisation
Documenter les API et interfaces
Préparer une présentation de la solution
Rédiger un rapport final
Le T2BI est une solution de tableau de bord conçue pour la gouvernance et le pilotage. Il offre une interface utilisateur intuitive permettant de visualiser et de gérer des indicateurs clés de performance (KPI). Sa structure modulaire permet d'intégrer différentes sources de données et d'adapter les KPI selon les besoins spécifiques de l'organisation.
Le MCP est un protocole ouvert qui standardise la façon dont les applications fournissent du contexte aux modèles de langage (LLM). Il peut être comparé à un "port USB-C pour les applications d'IA", offrant un moyen standardisé de connecter des modèles d'IA à différentes sources de données et outils. Le MCP fonctionne via des serveurs qui exposent des fonctionnalités spécifiques et peut être étendu pour créer des serveurs personnalisés.
Un AI CoE est une structure organisationnelle centralisant l'expertise, les ressources et la gouvernance de l'IA. Il sert de centre névralgique pour les initiatives d'IA dans une organisation, facilitant l'adoption de l'IA, réduisant les duplications d'efforts, et établissant des structures de gouvernance pour gérer les questions éthiques et de conformité.
Serveur MCP personnalisé pour la gouvernance IA : Développer un serveur MCP spécifique qui collecte des métriques et KPI liés à l'utilisation de l'IA dans l'organisation.
API de connexion : Créer une API qui permet au T2BI de communiquer avec le serveur MCP pour récupérer les données de gouvernance.
Backend T2BI adapté : Modifier le backend du T2BI pour intégrer les données provenant du serveur MCP et les transformer en KPI visualisables.
Domaines et KPI personnalisés : Définir des domaines et KPI spécifiques à la gouvernance IA dans le T2BI.
Le serveur MCP collecte des données auprès de différentes sources (modèles d'IA, applications, logs d'utilisation)
Ces données sont traitées et structurées selon un format compatible avec l'API du T2BI
Le backend du T2BI interroge régulièrement le serveur MCP pour obtenir les données actualisées
Les données sont transformées en KPI et affichées dans le tableau de bord T2BI
Utilisation des modèles : Fréquence d'utilisation, temps de réponse, coûts associés
Conformité : Respect des politiques de gouvernance, détection d'utilisations non conformes
Performance : Précision des modèles, taux d'erreur, satisfaction utilisateur
Risques : Identification des risques potentiels, alertes de sécurité
Éthique : Mesures de biais, équité algorithmique, transparence
Centralisation de la gouvernance : Un point unique pour surveiller et gérer l'utilisation de l'IA
Visibilité en temps réel : Suivi des KPI et alertes en cas de problèmes
Prise de décision facilitée : Données structurées et visualisées pour aider à la prise de décision
Conformité améliorée : Suivi automatisé du respect des politiques de gouvernance
Adaptabilité : Possibilité d'ajouter de nouveaux KPI et sources de données selon l'évolution des besoins
Analyse du document sur le Concept GAI AI CoE
Le document présente le concept d'un Centre d'Excellence en IA (AI CoE), qui est une structure organisationnelle centralisant l'expertise, les ressources et la gouvernance de l'IA. Il sert de centre névralgique pour les initiatives d'IA dans une organisation.
Faciliter l'adoption de l'IA en rationalisant les initiatives
Réduire les duplications d'efforts
Se concentrer sur les projets ayant des résultats commerciaux significatifs
Établir des structures de gouvernance pour gérer les questions éthiques et de conformité
Favoriser la collaboration et le partage des connaissances
Le document présente plusieurs aspects de la mise en place d'un AI CoE :
IA, Chatbot, Copilot, Teams
Sécurité
Gouvernance
Évaluation des risques organisationnels liés à l'IA
Documentation des stratégies de gouvernance en IA
Application des stratégies de gouvernance
Surveillance des risques organisationnels associés
Aspects liés à l'IA, la sécurité, les réseaux et la gouvernance
Administration des solutions
Plan de reprise d'activités
Sauvegardes
Adaptation de l'IA dans l'organisation
Outils et matériels nécessaires
Plans de formation
Plan de gouvernance adapté à la taille de l'entreprise
Abonnements aux services, outils et matériels
Mise à jour à distance
Accompagnement à distance
Plan de visites et maintenance
Services connexes
Le AI CoE nécessite des outils de gouvernance pour surveiller et gérer les initiatives d'IA
Les KPI de gouvernance IA pourraient être visualisés via un tableau de bord T2BI
Le MCP pourrait servir à collecter des données sur l'utilisation de l'IA dans l'organisation
L'audit et la surveillance des risques pourraient être automatisés via l'intégration T2BI-MCP
Je vous propose un POC (Proof of Concept) qui démontre comment le T2BI peut utiliser MCP pour collecter et visualiser des KPIs de gouvernance IA. Voici comment nous pourrions structurer cette solution:
Vidéo du POC :
Approche modulaire - La séparation en trois serveurs MCP spécialisés (Governance, Security, Performance) permet une division claire des responsabilités et facilite la maintenance.
Couverture complète des KPIs - Le tableau des KPIs proposés couvre les aspects essentiels de la gouvernance IA: conformité, sécurité, éthique, performance et opérations.
Architecture évolutive - Le design basé sur des conteneurs Docker avec orchestration Kubernetes offre une excellente scalabilité.
Sécurité robuste - L'implémentation d'OAuth2, JWT, HTTPS et RBAC forme une solide couche de sécurité.
Flux de données bien défini - Le processus de collecte → traitement → analyse → visualisation → action est logique et complet.
Détails d'implémentation - Le document manque de précisions sur l'implémentation concrète de l'API entre T2BI et MCP, notamment les structures de données échangées.
Gestion des données historiques - Peu d'informations sur les politiques de rétention des données ou la gestion du cycle de vie des informations.
Stratégie de sauvegarde - Aucune mention d'une stratégie de backup ou de reprise après sinistre.
Intégration avec l'existant - Le document ne précise pas comment cette architecture s'intègre aux systèmes existants de l'organisation.
Monitoring de l'infrastructure - Il serait utile d'ajouter un composant dédié à la surveillance de l'infrastructure elle-même.
Ajouter un composant pour la gestion du cycle de vie des données (archivage, purge).
Spécifier les formats d'échange de données entre les composants (JSON, Protobuf, etc.).
Intégrer un système de monitoring d'infrastructure (Prometheus/Grafana).
Ajouter des détails sur le plan de déploiement progressif et les tests.
Prévoir une documentation détaillée sur l'intégration avec les systèmes existants.
Cette architecture constitue une base solide pour une gouvernance IA complète, avec une bonne vision des extensions futures possibles. L'approche par conteneurs facilitera l'évolution et l'adaptation aux nouveaux besoins réglementaires.
kubernetes/dashboard: General-purpose web UI for Kubernetes clusters
En haut: L'Interface Utilisateur T2BI qui sert de point d'accès principal aux utilisateurs
Au milieu: Les trois Serveurs MCP spécialisés :
MCP-Governance (en vert)
MCP-Security (en rouge)
MCP-Performance (en orange)
d’autres pourrons y être adjoints.
En dessous: La Couche de stockage et d'analyse avec:
Base de données de métriques
Entrepôt de données
Système de journalisation
Plus bas: Le Système d'alerte et de notification qui communique avec les composants ci-dessus
Sur les côtés:
À gauche: Les sources de données externes
À droite: Les composants de sécurité (OAuth2, JWT, HTTPS, RBAC)
En bas: Les informations sur le déploiement (Docker, Kubernetes) et les technologies utilisées (Node.js, React, MongoDB, Redis)
Les flèches représentent les flux de données et d'API entre les différents composants, illustrant le cycle complet de collecte, traitement, analyse, visualisation et action mentionné dans le document.
MCP : comment automatiser l'IA en quelques clics (ou presque)
modelcontextprotocol/servers: Model Context Protocol Servers
grafana/mcp-grafana: MCP server for Grafana
Service accounts | Grafana documentation
Docker monitoring made easy | Grafana Labs
YouTube mes vidéos et PowerPoint :
https://www.youtube.com/@EROLGIRAUDY
Veille technologique - TIC - Gouvernance - AI - GPT (Teams, INSIDER Windows 11, INSIDER MICROSOFT 365, BETA TESTS Edge et Bing, et veille technologique sur les GAFAM+N), j'ai publié deux livres sur les solutions Microsoft et l'AI et Copilot (c'est le quatrième aux formats ePUB et Papiers). Je pratique la Veille technologique active sur les TIC, Copilot, Ollama, LLAMA, Claude 3.5 Sonnet, Gemini, Bing, ChatGPT et AI et je suis membre de AIDAUG et UGAIA, GUILD4AI - "Association de fait" http://www.ugaia.eu https://ugaia.wordpress.com/ https://lecercle.guild4ai.ai/
Microsoft vient de dévoiler deux déclinaisons de son petit modèle de langage Phi-4, et ils revendiquent des performances impressionnantes malgré leur taille.
De quoi changer la donne dans le paysage de l'intelligence artificielle (IA) ?
Il y a près d'un an, le géant de Redmond présentait Phi-3, un modèle d'intelligence artificielle puissant, mais de petite taille, conçu pour être plus économe en ressources.
En décembre, la société réitérait avec Phi-4, qui possède désormais deux nouvelles versions : Phi-4-multimodal et Phi-4-Mini.
Phi-4 is a 14B parameter, state-of-the-art open model built upon a blend of synthetic datasets, data from filtered public domain websites, and acquired academic books and Q&A datasets.
The model underwent a rigorous enhancement and alignment process, incorporating both supervised fine-tuning and direct preference optimization to ensure precise instruction adherence and robust safety measures.
Context length: 16k tokens
The model is designed to accelerate research on language models, for use as a building block for generative AI powered features. It provides uses for general purpose AI systems and applications (primarily in English) which require:
Memory/compute constrained environments.
Latency bound scenarios.
Reasoning and logic.
The models are not specifically designed or evaluated for all downstream purposes, thus:
Developers should consider common limitations of language models as they select use cases, and evaluate and mitigate for accuracy, safety, and fairness before using within a specific downstream use case, particularly for high-risk scenarios.
Developers should be aware of and adhere to applicable laws or regulations (including privacy, trade compliance laws, etc.) that are relevant to their use case, including the model’s focus on English.
Nothing contained in this readme should be interpreted as or deemed a restriction or modification to the license the model is released under.
Il fait référence à une approche qui combine la récupération d'informations avec la génération de texte pour améliorer les performances des modèles de langage dans certaines tâches. Bien que je ne sois pas un modèle RAG moi-même, mais plutôt basé sur l'architecture Transformer développée par OpenAI, voici une explication générale de comment le RAG fonctionne :
1. Récupération d'informations :
- Le processus commence par la récupération de morceaux pertinents d'information à partir d'une base de données ou d'un corpus large.
- Un moteur de recherche ou un système de bases de connaissances est utilisé pour identifier les segments textuels pertinents liés à l’entrée fournie.
2. Intégration des informations récupérées :
- Les morceaux de texte récupérés sont intégrés avec le contexte de la requête initiale.
- Ces informations servent d'input enrichi pour le modèle de génération.
3. Génération de réponse :
- Le modèle de langage utilise alors ces informations augmentées pour générer une réponse plus précise, informative et contextualisée.
- L’idée est que l’enrichissement du contexte permet au modèle d’éviter des réponses basées uniquement sur la mémoire interne limitée qu’il a été entraîné à utiliser.
- Augmentation de la précision : En récupérant des informations spécifiques, le système peut fournir des réponses plus exactes et détaillées.
- Adaptabilité aux nouvelles données : Le modèle peut continuellement intégrer de nouvelles connaissances à partir de corpus en ligne.
- Réduction de l'ambiguïté : Les informations contextuelles supplémentaires aident à réduire les ambiguïtés dans la génération du texte.
Le RAG est particulièrement utile pour des tâches nécessitant une connaissance actualisée ou très spécifique, comme l'assistance technique basée sur la documentation en temps réel, le support client avancé, etc. En combinant ces mécanismes de récupération et de génération, les systèmes RAG sont capables d’offrir des performances supérieures par rapport aux modèles classiques de langage qui ne disposent que de leur propre contexte d'entraînement.
« Ces modèles sont conçus pour offrir aux développeurs des capacités d'IA avancées. Phi-4-multimodal, avec sa capacité à traiter simultanément la parole, la vision et le texte, ouvre de nouvelles possibilités pour la création d'applications innovantes et sensibles au contexte », explique Weizhu Chen, vice-président de l'IA générative chez Microsoft, dans un billet de blog.
Me donner des infos sur le RAG de Phi-4 ses avantages ?
Informations de génération
total_duration 146.89s
load_duration 18.24s
prompt_eval_count 26
prompt_eval_duration 5.08s
eval_count 474
eval_duration 123.52s
tokens_per_second 3.84
Le "RAG" (Retrieval-Augmented Generation) est une technique utilisée dans les modèles de traitement du langage naturel pour améliorer la qualité et la précision des réponses générées par un modèle, comme Phi-4. Voici quelques avantages de cette approche :
1. Augmentation de la Précision : En intégrant une phase de récupération d'informations avant la génération, le modèle peut accéder à des bases de données ou des documents pertinents qui contiennent les informations nécessaires pour répondre avec précision aux questions complexes.
2. Réduction des Informations Erronées : En tirant parti des sources externes vérifiées lors du processus de récupération, le modèle a moins de chances d'incorporer des informations fausses ou obsolètes dans sa réponse.
3. Amélioration de la Cohérence Contextuelle : Grâce à l'accès à un large éventail de documents, le modèle peut mieux contextualiser ses réponses en tenant compte du contexte actuel et historique pertinent fourni par les sources récupérées.
4. Flexibilité et Évolutivité : Le RAG permet d'adapter facilement les modèles aux différents domaines ou spécialisations en intégrant des bases de données spécifiques à ces domaines, ce qui rend l'approche versatile pour diverses applications.
5. Amélioration du Résumé et Extraction d’Informations : En se basant sur des documents externes bien structurés, le modèle peut effectuer un résumé plus efficace ou extraire les informations pertinentes sans générer de contenu superflu.
6. Réponse aux Questions Ouvertes : Le RAG est particulièrement avantageux pour traiter des questions ouvertes où la réponse n’est pas immédiatement disponible dans le modèle lui-même, permettant ainsi une recherche active d'informations avant de générer une réponse.
Fournissez une explication détaillée du texte suivant, en décomposant ses concepts clés, ses implications et son contexte :
Texte : Le plan RAG
Votre explication doit :
Clarifier tous les termes ou idées complexes
Fournir des informations contextuelles pertinentes
Discuter de l'importance ou des implications du contenu
Répondre à toutes les questions qu'un lecteur pourrait se poser
Utiliser des exemples ou des analogies pour illustrer les points lorsque cela est approprié
L'objectif est de fournir une explication complète qui permettrait à quelqu'un ayant peu de connaissances préalables de comprendre pleinement le texte.
Introduction au Concept de RAG
Le "RAG" fait généralement référence à "Retrieval Augmented Generation", une approche utilisée principalement en science des données, notamment dans les domaines de la recherche par langage naturel (NLP) et l'intelligence artificielle. Cette technique implique d'améliorer un modèle de génération de texte en récupérant d'abord des informations pertinentes à partir d'une base de données ou d'un corpus avant de générer une réponse.
Concepts Clés du Plan RAG
Enrichissement Taxonomique :
Détection de concepts émergents : Identifier et intégrer de nouveaux termes ou idées dans la structure taxonomique existante pour garantir qu'elle reste pertinente.
Suggestions de relations : Proposer des connexions entre différents concepts, ce qui aide à créer une compréhension plus riche du corpus de données.
Validation de Cohérence :
Vérifier que les contenus respectent la structure et l'intégrité de la taxonomie établie pour s'assurer qu'ils sont alignés correctement, évitant ainsi des informations contradictoires ou mal classées.
Enrichissement des Métadonnées :
Extraction contextuelle de métadonnées supplémentaires qui aident à affiner et préciser la classification et l'accès aux documents dans le corpus.
Sécurisation Intégrée :
Filtrage bidirectionnel : Assurer que les informations entrantes et sortantes respectent les protocoles de sécurité, empêchant ainsi toute fuite ou accès non autorisé.
Traces d'audit taxonomiques : Enregistrer tous les accès aux données pour assurer la traçabilité et l'intégrité des informations consultées.
Informations Contextuelles
Dans le cadre d'une architecture qui intègre des agents IA sécurisés, le RAG joue un rôle crucial en permettant de maintenir une taxonomie dynamique et sécurisée. Cela est particulièrement important dans les environnements où la sécurité des données (comme mentionné avec "Chiffrement de bout en bout" et "Tokenisation des données sensibles") et l'accessibilité contrôlée sont primordiales.
Importance et Implications
Amélioration de la Recherche : En utilisant le RAG, les systèmes peuvent fournir des réponses plus précises et contextuellement pertinentes en intégrant une compréhension approfondie du corpus grâce à une taxonomie bien structurée.
Sécurité Renforcée : Les techniques de filtrage bidirectionnel et de traçabilité garantissent que les données sensibles restent protégées, même lorsqu'elles sont manipulées par des agents IA.
Évolution Continue : En détectant automatiquement les concepts émergents, le système reste à jour sans intervention humaine constante, ce qui est crucial pour des environnements en rapide évolution comme la technologie ou l'économie.
Optimisation de l'Accès aux Données : La validation et l'enrichissement permettent d'améliorer la précision du classement des données, facilitant ainsi un accès plus efficace pour les utilisateurs autorisés.
Exemples Illustratifs
Bibliothèque Virtuelle : Imaginez une bibliothèque numérique qui utilise le RAG. Lorsqu'un utilisateur recherche "l'intelligence artificielle", le système récupère non seulement des documents pertinents mais aussi les dernières publications ou tendances sur l'IA, suggérant même comment ces idées sont liées à d'autres domaines comme la bio-ingénierie.
Sécurité dans les Banques : Dans un contexte bancaire, le RAG peut être utilisé pour surveiller et analyser les transactions. Il détecte des modèles de fraude en intégrant continuellement de nouvelles informations sur les techniques frauduleuses émergentes.
En conclusion, le plan RAG dans un contexte taxonomique sécurisé est une méthode avancée qui améliore à la fois l'efficacité et la sécurité d'un système informatique. Il permet non seulement de maintenir une base de données organisée et pertinente mais aussi de garantir que les informations sont accessibles en toute sécurité, alignées sur les besoins actuels et futurs des utilisateurs.
Citations
Le PLAN IA intégré à la stratégie..pdf
Phi-4 : Microsoft décline son modèle d'IA de petite taille pour affronter la concurrence
Vous pouvez tester Phi-4 sur :
Phi-4 - a microsoft Collection
Phi-4 is currently available on Azure AI Foundry and Hugging Face, take a look today.
Veille technologique - TIC - Gouvernance - AI - GPT (Teams, INSIDER Windows 11, INSIDER MICROSOFT 365, BETA TESTS Edge et Bing, et veille technologique sur les GAFAM+N), j'ai publié deux livres sur les solutions Microsoft et l'AI et Copilot (c'est le quatrième aux formats ePUB et Papiers). Je pratique la Veille technologique active sur les TIC, Copilot, Ollama, LLAMA, Claude 3.5 Sonnet, Gemini, Bing, ChatGPT et AI et je suis membre de AIDAUG et UGAIA, GUILD4AI - "Association de fait" http://www.ugaia.eu https://ugaia.wordpress.com/ https://lecercle.guild4ai.ai/
Phase 1 : Évaluation des besoins et des risques.Phase 2 : Définition des politiques et procédures.Phase 3 : Mise en place des outils et formations.Phase 4 : Lancement des projets pilotes.Phase 5 : Audit et amélioration continue.
- Début : Contexte et Objectif.
- Étapes intermédiaires : Évaluation des Besoins, Plan de Gouvernance, Mise en Œuvre.
- Boucles de rétroaction : Surveillance et Évaluation Continues, Amélioration Continue.
- Fin : Objectifs de gouvernance atteints.
.png)
.png)
Présentations : Diapositives, pitch decks, plans d'affaires, etc.Documents écrits : Essais, rapports, articles, etc.Code : Snippets de code, scripts, etc.Sites web : Pages HTML, CSS, JavaScript, etc.Diagrammes : Diagrammes Mermaid, SVG, etc.Composants React : Interfaces utilisateur, applications dynamiques, etc.
Veille technologique - TIC - Gouvernance - AI - GPT (Teams, INSIDER Windows 11, INSIDER MICROSOFT 365, BETA TESTS Edge et Bing, et veille technologique sur les GAFAM+N), j'ai publié deux livres sur les solutions Microsoft et l'AI et Copilot (c'est le quatrième aux formats ePUB et Papiers). Je pratique la Veille technologique active sur les TIC, Copilot, Ollama, LLAMA, Claude 3.5 Sonnet, Gemini, Bing, ChatGPT et AI et je suis membre de AIDAUG et UGAIA, GUILD4AI - "Association de fait" http://www.ugaia.eu https://ugaia.wordpress.com/ https://lecercle.guild4ai.ai/