Le Blog Tech & Data | Blent.ai
- Helm : gestion de packages sur Kubernetes
- HashiCorp Vault : gérer les secrets
- Istio : service Mesh sous Kubernetes
- Fivetran : ETL managé dans le Cloud
- AI Engineer : compétences, salaire et débouchés
- Tool Calling des LLM : tout savoir
- Prefect : l'orchestration moderne de workflows
- Caching dans les systèmes d’agents IA : stratégies efficaces
- Agent IA en production : architecture et bonnes pratiques
- ArgoCD : le GitOps sur Kubernetes
- Réseau d'agents IA : explications et exemples
- MinIO : le stockage d'objets Cloud
- Files d'attentes et agents IA : comment gérer la charge
- Gérer l'état des agents IA
- AntiGravity : l'IDE Google boosté par les agents IA
- AI Engineer : rôle, compétences et formation
- KServe : exposer des LLM sur Kubernetes
- RAG vs Agents : le comparatif ultime
- Vision Language Model (VLM) : définition et exemples
- LLM-as-a-Judge : définitions et exemples
- Devenir Développeur IA : tout savoir
- LlamaIndex : créer son RAG en quelques lignes de code
- Mémoire des agents IA : stratégies, outils et bonnes pratiques
- Reciprocal Rank Fusion : améliorer son RAG
- Optimisation bayésienne : pourquoi l'utiliser en MLOps ?
- RAGAS : l'outil d'évaluation de LLM
- Continue : alternative open source à GitHub Copilot
- Ollama : exécuter des LLM en local sur son propre PC
- AutoGen : créer des agents conversationnels multi-rôles
- Claude Code : tout savoir
- OpenShift : la plateforme de conteneurs d'entreprise
- Harbor : registre Docker Cloud-native
- HAProxy : tout savoir
- Unsloth : fine-tuner des LLM
- CUDA : tout savoir sur le framework GPU de NVIDIA
- vLLM : serveur d'inférence pour LLM
- Multi-agents : comment ça marche ?
- Évaluation d'agents IA : comment faire ?
- Agentic RAG : définitions et exemples
- LangGraph : c'est quoi ?
- Merging de LLM : comment ça marche ?
- Superviseur d'agents IA : explications et exemples
- Model Context Protocol : définition et exemples
- Langfuse : monitorer des LLM
- Agent Plan-and-Execute : comment ça marche ?
- Agent ReAct : définitions et exemples
- Agentic AI : tout savoir
- Tutoriel GitHub Copilot : tout savoir
- Évaluation d'un RAG : comment faire ?
- Reranking : tout savoir sur cette technique du RAG
- Créer un RAG avec LangChain et Mistral à partir de zéro
- DevOps Engineer : tout savoir sur ce métier
- Docker Compose : tout savoir
- GitLab CI/CD : tout savoir de l’outil open source
- LLM : savoir lequel choisir
- Reverse ETL : tout savoir
- Fine-tuning de LLM : tout savoir
- Techniques de prompting des LLM
- LLMOps : le MLOps appliqué aux LLM
- Métriques des LLM : mesurer leurs performances
- Pinecone : la base de données vectorielle managée
- Retrieval Augmented Generation (RAG) : tout savoir
- Quantization : comment ça fonctionne ?
- LangChain : le framework spécialiste des LLM
- Large Language Models (LLM) : tout savoir
- S3 : tout savoir du service de stockage AWS
- dbt (Data Build Tool) : tout savoir l’outil analytique incontournable
- GitOps : définition et exemples
- Prometheus : tout savoir sur l’outil de monitoring
- Jenkins : tout comprendre de l'outil CI/CD open-source
- Virtualisation : tout comprendre sur cette technologie indispensable au DevOps
- Normalisation de données : définitions, exemples
- Blue/Green DevOps : tout savoir du déploiement DevOps
- Reverse Proxy : pourquoi et comment l'utiliser ?
- Airbyte : tout savoir sur l’outil d’intégration de données
- Packer : créer ses propres Golden Images
- Nginx : tout savoir du serveur Web incontournable
- Vagrant : automatisation des machines virtuelles
- Bash : qu'est-ce que c'est ?
- Tutoriel Kubernetes : premiers pas
- Apache Phoenix : du SQL sur HBase
- Apache Avro : tout savoir sur la sérialisation binaire
- Apache Flink : tout savoir sur le framework temps réel
- Ansible : qu'est-ce que c'est ?
- Snowflake : tout savoir sur le Data Warehouse Cloud
- Data Warehouse : définitions, exemples, avantages
- Apache Parquet : tout savoir sur ce format de données
- Apache Cassandra : tout savoir sur cette base NoSQL
- HDFS : le système de fichiers distribué Hadoop
- Apache HBase : la base NoSQL sur Hadoop
- Apache Hive : tout savoir sur le Data Warehouse Hadoop
- Apache Hadoop : tout savoir sur ce framework Big Data
- MongoDB : tout savoir sur la base NoSQL la plus utilisée
- Hugging Face : tout savoir sur la startup Deep Learning
- SpaCy : comment l'utiliser sous Python?
- Auto-encodeurs en Deep Learning : tout savoir
- Réseaux récurrents (RNN) : on vous explique tout
- Réseaux convolutifs (CNN) : comment ça marche ?
- GAN et Deep Learning : créer des données de toute pièces
- YOLO : détection sur les images avec TensorFlow
- TensorFlow : Deep Learning sous Python
- Modèles de Machine Learning les plus populaires
- Matplotlib : faire des graphiques en Python
- Tests Python pour le Machine Learning
- Introduction à pandas sous Python
- Seaborn : Data Visualization sous Python
- BigQuery : le Data Warehouse de Google
- Surapprentissage : comment l’éviter ?
- Confluent Platform : la plateforme Data Streaming tout-en-un
- L’apprentissage supervisé : définition et exemples
- Terraform : automatiser son infrastructure Cloud
- Les Transformers, incontournables du Deep Learning
- Cloud Computing : tout savoir en 10 minutes
- Validation croisée en Machine Learning
- IA responsable et de confiance : de quoi s'agit-il ?
- Feature Engineering : définition et exemples
- NoSQL : définitions et exemples
- Algorithme t-SNE : comment ça fonctionne ?
- U-Net : le réseau de neurones populaire en Computer Vision
- Équilibrage de charge : définition et exemples
- Scala : tout savoir sur le langage fonctionnel
- LightGBM : mieux que XGBoost ?
- Docker, à quoi ça sert ?
- L’ACP : tout savoir sur l’Analyse en Composantes Principales
- Serverless : définition, exemples
- SVM : Support Vector Machine
- Spark Streaming : Bien démarrer
- XGBoost : Tout savoir sur le Boosting
- Git - Tutoriel complet
- Word Embedding & NLP : définition, exemples
- Réseaux de neurones : tout comprendre
- Algorithme k-means : comment ça marche ?
- MapReduce : tout comprendre sur le calcul parallèle
- Apache Spark : tout savoir sur le framework Big Data
- Arbres de décision en Machine Learning : tout comprendre
- MLflow : tout savoir sur l’outil indispensable du MLOps
- Apache Airflow : qu'est-ce que c'est ?
- Random Forest : comment ça fonctionne ?
- Apache Kafka : tout savoir sur le Data Streaming
- C'est quoi la Computer Vision ?
- Kubernetes et Machine Learning
- Le formatage de texte en Python
- Tester son code Python
- Data Mesh : qu'est-ce que c'est ?
- Interprétabilité et Machine Learning
- Machine Learning Engineer : définition, comment se former
- Validation et classification : mode d'emploi
- Les annotations de fonctions Python
- L'AutoML ou comment automatiser le Machine Learning
- Matplotlib et les fonctions à deux variables
- Les pipelines de scikit-learn
- Data Science : pourquoi choisir la formation Blent ?
- Les itérateurs sous Python
- Les window functions avec Pandas
- La gestion des erreurs sous Python
- La mise en production des modèles de Machine Learning
- Débrief Workshop : Comprendre les bases de données NoSQL
- Les décorateurs de fonctions sous Python
- Débrief Workshop : Data Science dans les Grands Groupes
- Les différents profils Data Scientists
- Débrief Workshop : L'IA au service de votre startup !
- Blent Family Portrait #1 : l’IA au service de la créativité
- Devenir Data Engineer : toutes les infos
- Data Scientist ou Data Engineer ?