Rubriques tendance
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
"Dans le développement logiciel traditionnel, vous planifiez la v1, v2, v3 du nouveau produit en fonction de la profondeur des fonctionnalités ou des besoins des utilisateurs. Avec les systèmes d'IA, le regard change.
Chaque version est plutôt définie par le degré d'autonomie du système et le niveau de contrôle que vous êtes prêt à abandonner.
Commencez par identifier un ensemble de fonctionnalités à contrôle élevé et à autonomie faible (version 1 dans l'image ci-dessous).
Celles-ci doivent être petites, testables et faciles à observer. À partir de là, réfléchissez à la manière dont ces capacités peuvent évoluer au fil du temps en augmentant progressivement l'autonomie, une version à la fois. L'objectif est de décomposer un état final ambitieux en comportements précoces que vous pouvez évaluer, itérer et construire à partir de là.
Par exemple, si votre objectif final est d'automatiser le support client dans votre entreprise, une manière à contrôle élevé de commencer serait de définir la v1 (version 1) comme simplement le routage des tickets vers le bon département, puis passer à la v2 où le système suggère des résolutions possibles, et enfin, dans la v3, permettre la résolution automatique avec un recours humain.
Voici quelques autres exemples :
Assistant marketing
v1 : Rédiger un email, une annonce ou un texte pour les réseaux sociaux à partir de prompts
v2 : Construire des campagnes multi-étapes et les exécuter
v3 : Lancer, tester A/B et optimiser automatiquement les campagnes sur plusieurs canaux
Assistant de codage
v1 : Suggérer des complétions en ligne et des extraits de code standard
v2 : Générer des blocs plus importants (comme des tests ou des refactorisations) pour révision humaine
v3 : Appliquer des modifications ciblées et ouvrir des demandes de tirage (PR) de manière autonome
Si vous avez suivi comment des outils comme GitHub Copilot ou Cursor ont évolué, c'est exactement le manuel qu'ils ont utilisé. La plupart des utilisateurs ne voient que la version actuelle, mais le système sous-jacent a gravi cette échelle progressivement. D'abord des complétions, puis des blocs, puis des PR, chaque étape étant gagnée grâce à l'utilisation, aux retours et à l'itération."
Plus ici :


20 août, 00:21
Vous ne pouvez pas construire des produits d'IA comme d'autres produits.
Les produits d'IA sont intrinsèquement non déterministes, et vous devez constamment négocier le compromis entre l'autonomie et le contrôle.
Lorsque les équipes ne reconnaissent pas ces différences, leurs produits rencontrent des échecs inattendus, elles se retrouvent coincées à déboguer de grands systèmes compliqués qu'elles ne peuvent pas tracer, et la confiance des utilisateurs dans le produit s'érode silencieusement.
Après avoir observé ce schéma se reproduire dans plus de 50 mises en œuvre d'IA dans des entreprises telles que @OpenAI, @Google, @Amazon et @Databricks, Aishwarya Naresh Reganti et Kiriti Badam ont développé une solution : le cadre de Calibration Continue/Développement Continu (CC/CD).
Le nom fait référence à l'Intégration Continue/Déploiement Continu (CI/CD), mais, contrairement à son homologue, il est destiné à des systèmes où le comportement est non déterministe et où l'autonomie doit être acquise.
Ce cadre vous montre comment :
- Commencer avec des fonctionnalités à contrôle élevé et autonomie faible
- Construire des systèmes d'évaluation qui fonctionnent réellement
- Élargir les produits d'IA sans briser la confiance des utilisateurs
Il est conçu pour reconnaître l'unicité des systèmes d'IA et vous aider à construire des produits d'IA plus intentionnels, stables et dignes de confiance.
Ils le partagent publiquement pour la première fois :

60,75K
Meilleurs
Classement
Favoris