Aller au contenu
4 novembremer.
  1. AWS Machine Learning Blog22

    Amazon Quick : connecter données structurées et non structurées dans un même agent conversationnel

    Amazon Quick permet de connecter des données structurées (datasets enrichis) et non structurées (bases de connaissances adossées à Amazon S3) puis de les interroger via un agent conversationnel unique. Un « Space » réunit les deux types de sources dans un espace de travail, et l'agent personnalisé détermine s'il doit interroger la base de connaissances, le dataset ou les deux, avant de renvoyer une réponse combinée avec citations. La création de datasets nécessite un abonnement Enterprise, et les réponses respectent les permissions de l'utilisateur qui pose la question.

  2. Hugging Face Blog62

    Même modèle, harness différent : CUGA, Hermes et Deep Agents comparés sur AppWorld

    L'équipe CUGA d'IBM a fait tourner CUGA, Hermes et Deep Agents avec le même modèle open-weight GLM-5.3-flash sur 90 tâches AppWorld.

    Motif de la recommandation :Une comparaison contrôlée à modèle constant quantifie l'écart entre harnesses et détaille les points d'application des règles d'entreprise.

3 novembremar.
  1. Hugging Face Blog62

    Hugging Face propose MIC, un contrat de test d'intégration de modèles basé sur des fixtures réduites

    Hugging Face présente transformers-mic, un standard proposé pour empaqueter les tests d'intégration de modèles sous forme de contrats. Chaque contrat comprend une fixture de modèle réduit.

    Motif de la recommandation :L'article détaille la méthode de réduction des points de contrôle et le mécanisme de test par contrat, utile pour comprendre comment les régressions de modèles sont interceptées avant la fusion.

  2. AWS Machine Learning Blog51

    Construire des agents efficaces par distillation de connaissances sur Amazon SageMaker AI

    AWS explique comment distiller un agent de shopping utilisant un grand modèle en un modèle Qwen3.5-4B via la distillation de connaissances au niveau des séquences (SeqKD) sur Amazon SageMaker AI. Le modèle enseignant GLM-5.3 génère des trajectoires multi-étapes filtrées par le scorer de ShoppingBench, puis l'étudiant est affiné par SFT serverless et évalué sur 324 problèmes retenus. Le taux de réussite absolu moyen passe de 0,297 pour le modèle de base à 0,541 pour l'étudiant distillé, proche des 0,540 du modèle enseignant glouton et des 0,546 d'un modèle frontière de taille moyenne, au prix d'une baisse de 6 à 8 points sur IFEval.

2 novembrelun.
31 octobresam.
30 octobreven.
  1. Arduino Blog22

    Comment Techno Sky et Arduino Opta ont apporté une solution de signalisation d'urgence visuelle industrielle à la gestion du trafic aérien

    Techno Sky, société du groupe ENAV, a déployé un système de signalisation d'urgence visuelle pour l'environnement Digital Tower d'ENAV en s'appuyant sur le microPLC Arduino Opta RS485 comme contrôleur embarqué principal. Le système implémente huit modes de signalisation sur un seul contrôleur, avec Ethernet et RS485 intégrés, sorties relais et un facteur de forme compact monté sur rail DIN. Le projet, lancé en octobre, a atteint le déploiement opérationnel en moins de 12 mois, l'architecture Opta du prototype R&D ayant été conservée telle quelle en production sans transition matérielle.