Nous concevons et déployons une IA qui aboutit en production. Des copilotes propulsés par des LLM, des modèles prédictifs et des pipelines de ML — sélectionnés, bâtis, évalués, déployés et surveillés par une équipe principale qui assume le système durant sa première année d'exploitation.
Des assistants adaptés au domaine pour les exploitants d'usine, les équipes juridiques, les analystes et les ingénieurs de terrain. Augmentés par la récupération, avec citations à l'appui et une trace de réponse auditable.
Prédiction de défaillances, détection d'anomalies et modèles de prévision entraînés sur des données opérationnelles — signatures vibratoires, télémétrie, flux de transactions, historiques de réclamations.
Infrastructure d'entraînement, d'évaluation, de déploiement et de surveillance. Exécutions reproductibles, modèles enregistrés et retours en arrière. L'échafaudage ennuyeux qui maintient l'IA en production pendant des années.
Câblage de production pour Anthropic Claude, OpenAI, Cohere et Azure AI Foundry — avec mise en cache des invites, utilisation d'outils, sorties structurées et politiques de repli.
Quand les modèles de base ne sont pas la bonne réponse : ML classique, gradient boosting, apprentissage profond, séries temporelles et projets pilotes d'apprentissage par renforcement — lorsque c'est justifié.
Évaluations hors ligne et en ligne, jeux de référence, boucles de révision humaine, red-teaming et conformité aux politiques — intégrés au pipeline de déploiement, pas en après-coup.
Si nous ne pouvons pas écrire les critères d'arrêt, nous ne pouvons pas justifier la construction.
Chaque collaboration en IA chez Droz débute par un exercice de cadrage du problème d'une à deux semaines. L'objectif est de cerner la décision que l'IA viendra changer — un plan de maintenance, un acheminement de triage, l'arbitrage d'une réclamation, l'évaluation d'un approvisionnement — et le coût de mal prendre cette décision aujourd'hui.
À partir de là, nous remontons jusqu'aux données, à la sélection du modèle, à l'intégration et au déploiement. La plupart des collaborations éliminent un ou deux faux départs dans cette phase : la charge de travail qui « sonne comme du LLM » est en fait un moteur de règles structuré; la tâche de prédiction qui « a besoin d'apprentissage profond » veut en réalité du gradient boosting sur de meilleures caractéristiques.
Le résultat de la découverte est un sommaire écrit : la décision, la référence de base, les approches candidates, les données, l'ordre de grandeur approximatif et les critères d'arrêt. Signable; révisable; auditable.
Le modèle de base orchestre le flux de travail; les modèles sur mesure prennent en charge les sous-tâches déterministes. Nous concevons les deux moitiés et le contrat qui les relie.
Pipelines reproductibles dans Databricks, SageMaker ou Azure ML. Jeux de données versionnés, caractéristiques enregistrées, expériences suivies. Chaque modèle a une lignée.
Évaluations hors ligne sur un jeu de référence + tests réservés; évaluations de sécurité / red-team; intervalles de confiance statistiques sur la métrique principale. Aucun modèle n'est promu sans avoir réussi.
Déploiements canari. Exécutions fantômes. Bleu-vert pour les modèles en ligne. Rafraîchissement par lots pour les modèles de prévision. Chaque déploiement est réversible en un clic.
Détection de dérive sur les entrées, les sorties et les décisions en aval. Tableaux de bord de qualité. Files de révision humaine pour les prédictions à faible confiance. Des alertes qui réveillent l'équipe de garde.
Un système d'IA n'est utile que lorsqu'il vit à l'intérieur du flux de travail de l'exploitant. Nous intégrons les modèles derrière une API versionnée, avec journalisation structurée, accès basé sur les rôles et un panneau de preuves que l'exploitant peut auditer.
Du côté LLM, nous livrons des contrats d'utilisation d'outils, des schémas de sortie (Pydantic côté serveur; Zod côté interface), la mise en cache des invites et des replis gracieux. Du côté ML, nous livrons des prédictions par lots vers votre entrepôt de données, l'inférence en ligne derrière une passerelle d'API et un magasin de caractéristiques auquel le modèle se fie.
Nous bâtissons aussi la surface humaine — le tableau de bord, les alertes, les contrôles de dérogation, la file de révision. Le but est l'aide à la décision, pas le remplacement de la décision.
Anthropic (Claude), OpenAI, Cohere, Azure AI Foundry, AWS Bedrock.
Databricks, Azure ML, SageMaker, Vertex AI.
PyTorch, scikit-learn, XGBoost, LightGBM, transformers, sentence-transformers, LangGraph (là où l'orchestration le justifie).
Snowflake, PostgreSQL + pgvector, Pinecone, Weaviate, Parquet, Apache Spark, Airflow, Kubeflow.
Renvois — Profils complets des partenaires · Technologies complètes · Couche infonuagique sous-jacente.
Copilote LLM en production pour les exploitants d'usine. Récupération sur les manuels d'équipement, les bons de travail et l'historique de condition. Journal d'audit obligatoire.
Modèles de ML en production prédisant les défaillances de roulements, de moteurs et d'équipements rotatifs à partir de signatures vibratoires, thermiques et d'ultrasons.
Un assistant de triage de type Protected-B pour un organisme de réglementation. RAG sur les documents de politique, humain dans la boucle pour chaque recommandation.
Six secteurs représentatifs ci-dessous. La liste complète des 17 se trouve dans l'aperçu des industries.