Foundations

Pipelines de données, Knowledge Graphs et architecture data de confiance pour l'IA d'entreprise. Ce qu'il faut construire et valider méthodiquement avant de brancher le moindre modèle probabiliste.

Intelligence en essaim, contraintes multi-objectifs, optimisation mathématique et logique complexe. L'algorithme confronté aux problèmes d'envergure que la force brute ne résout pas.

Machine Learning appliqué aux phénomènes physiques et à la sûreté. La théorie derrière la pratique : pourquoi un pipeline de nettoyage de capteurs fonctionne, quelles lois physiques et mathématiques le gouvernent.

Analyse critique de la course à l'AGI. Fractures physiques, financières et opérationnelles de l'IA générative. Ce que l'expérience opérationnelle en industrie critique révèle sur les limites réelles de l'IA d'entreprise.