Questions sur les coûts et les délais
Tout dépend de la complexité. Un audit initial, qui dure une à deux semaines, coûte entre 3 000 € et 8 000 €. Pour un projet complet incluant le développement du modèle, les tests et le déploiement en production, comptez entre 15 000 € et 60 000 €. Les projets les plus simples (un chatbot interne alimenté par votre base documentaire, par exemple) se situent dans le bas de cette fourchette. Un système de prévision de demande multi-produit avec intégration ERP se rapproche du haut.
Nous facturons au forfait, pas au temps passé. Le devis détaillé est remis à l'issue de l'audit, et le prix ne change pas en cours de route sauf si vous modifiez le périmètre.
Entre 8 et 16 semaines en règle générale. La première ou les deux premières semaines sont consacrées à l'audit. Ensuite, le développement du modèle prend entre 4 et 10 semaines. La phase de test et d'intégration dans votre environnement technique occupe les 2 à 4 dernières semaines.
Le facteur qui rallonge le plus souvent un projet, c'est la disponibilité des données. Si vos données sont dispersées dans plusieurs systèmes non connectés, la phase de collecte et de nettoyage prend plus de temps. C'est pour cette raison que l'audit commence toujours par un inventaire précis de vos sources de données.
Oui, mais ils sont prévisibles. Un modèle en production nécessite une surveillance continue : vérifier que ses prédictions restent fiables au fil du temps (ce qu'on appelle le « drift »), appliquer les mises à jour de sécurité, et ré-entraîner le modèle quand vos données évoluent. Nous proposons un contrat de maintenance à 800 € par mois pour un modèle, avec un tarif dégressif si vous en avez plusieurs.
L'hébergement cloud (OVHcloud ou Scaleway) est facturé séparément et dépend du volume de calcul. Pour la plupart de nos clients, cela représente entre 100 € et 400 € par mois.
Questions sur les données et la sécurité
Cela varie selon le cas d'usage. Pour de l'analyse prédictive sur des ventes, nous avons besoin d'au moins 18 mois d'historique avec une granularité hebdomadaire ou quotidienne. Pour de la classification de documents, quelques centaines d'exemples annotés suffisent souvent comme point de départ, à condition qu'ils couvrent bien les différentes catégories.
Si vous n'avez pas assez de données, nous pouvons mettre en place une phase de collecte structurée de 2 à 3 mois avant de lancer le développement du modèle. L'audit permet justement d'évaluer ce point.
Oui. Nous utilisons exclusivement des hébergeurs français : OVHcloud (Roubaix, Strasbourg) et Scaleway (Paris). Vos données ne transitent pas par des serveurs situés hors de l'Union européenne. Si votre secteur impose des contraintes supplémentaires (données de santé, par exemple), nous pouvons déployer sur un hébergeur certifié HDS.
Avant tout échange de données, nous signons un accord de traitement des données (DPA) conforme au RGPD et, si vous le souhaitez, un accord de confidentialité (NDA) séparé. L'accès aux données est restreint aux membres de l'équipe projet, identifiés nommément dans le contrat. Les environnements de développement sont isolés par client : aucun partage de serveur, de base de données ou de stockage entre deux projets différents.
En fin de projet, si vous le demandez, nous supprimons toutes les copies de vos données de nos systèmes et vous fournissons un certificat de destruction.
Non. Vos données servent uniquement à construire votre modèle. Nous ne les agrégeons pas avec celles d'autres clients et nous ne les utilisons pas pour améliorer des produits internes. C'est écrit noir sur blanc dans notre DPA.
Questions techniques et pratiques
Pas nécessairement. Nous avons besoin d'un interlocuteur métier qui connaît bien les processus à automatiser et qui peut répondre à nos questions sur les données. Si vous avez un responsable informatique ou un développeur, c'est un plus pour la phase d'intégration, mais ce n'est pas un prérequis. Nous pouvons gérer l'intégration technique de bout en bout.
Python est notre langage principal. Pour le machine learning classique, nous utilisons scikit-learn et XGBoost. Pour le deep learning et le traitement du langage naturel, PyTorch et Hugging Face Transformers. Les pipelines de données tournent sur Apache Airflow ou Prefect, selon la taille du projet. Les tableaux de bord sont construits avec Metabase ou Grafana.
Nous évitons les dépendances inutiles. Si un problème se résout avec une régression logistique, nous n'allons pas déployer un réseau de neurones à 200 millions de paramètres pour impressionner. Le modèle le plus simple qui atteint vos objectifs de performance est toujours le bon choix : il coûte moins cher à héberger et il est plus facile à maintenir.
Lors de l'audit, nous définissons ensemble des indicateurs de performance mesurables : taux de précision, gain de temps, réduction d'erreurs. Si le modèle n'atteint pas ces seuils à la livraison, nous reprenons le développement sans facturer de supplément. Si, après deux itérations supplémentaires, les résultats restent insuffisants, nous vous remboursons la phase de développement. L'audit, lui, n'est pas remboursable car le travail d'analyse a été effectué.
En quatre ans, cette clause a été activée trois fois sur 47 projets. Dans deux cas, le problème venait de données trop incomplètes, que nous avions signalé comme risque dans le rapport d'audit.
Oui. À la fin de chaque projet, nous organisons une session de formation de 2 à 4 heures pour les utilisateurs du système : comment interpréter les résultats, quand relancer un ré-entraînement, comment signaler un comportement anormal du modèle. Cette formation est incluse dans le forfait projet. Des sessions complémentaires sont disponibles à 600 € la demi-journée.
Vous avez une question qui n'est pas listée ici ?
Contactez-nous directement. Nous répondons sous 48 heures ouvrées.
Nous écrire