Mathieu Desnouveaux

AI/ML

10 sketchnotes disponibles pour ce thème

🤖

Intelligence artificielle et machine learning

← Retour aux sketchnotes
Sketchnote illustrant les nouveaux design patterns IA avec Symfony présentée par Titouan Galopin au Symfony Live Paris 2026. Le schéma montre que les design patterns permettent d'écrire du bon code capable d'évoluer. Dans les LLM, l'enjeu est de garantir la maintenance du prompt et du résultat. La difficulté principale : gérer le changement. DSPy est présenté avec son pipeline : Intention + Dataset d'évaluation → Génération Prompt → Optimisation (attribuer un score au résultat d'un prompt avec des heuristiques) → Prompt Final. Le dataset d'évaluation peut être généré par l'IA. La non-régression consiste à refaire le processus et mesurer la différence.

Les nouveaux design patterns IA avec Symfony

Publié le 31 mars 2026
Par Titouan Galopin
🐘 PHP 🤖 AI/ML 🏗️ Architecture
📅 Symfony Live
Sketchnote illustrant les embeddings en PHP avec Symfony AI présentée par Grégoire Pineau au Symfony Live Paris 2026. Le cas d'usage est la création d'un plan de redirection automatique. Le pipeline complet montre : Page Web → Vectoriser (vecteur en espace flottant) → Sauvegarde → Stock → Scoring → Page redirigée. Les 6 étapes détaillées sont : 1-Préparer les données (définir les sources), 2-Chunks (découper en morceaux), 3-Boosts (favoriser certains domaines), 4-Vectorization (choisir sa magnitude selon son modèle, taille et précision), 5-Scoring (mesure de distance entre les vecteurs), 6-Résultat.

Embeddings en PHP : Symfony AI en pratique

Publié le 31 mars 2026
Par Grégoire Pineau
🐘 PHP 🤖 AI/ML
📅 Symfony Live
Sketchnote illustrant un assistant IA de code review présentée par Thomas Boileau au Symfony Live Paris 2026. Le schéma montre que la code review est un rituel existant avec des impacts collectifs, indépendant du niveau IA de chacun. La question Build or Buy est posée avec les critères vitesse d'expérimentation, maîtrise et réglementation, avec un bonus : intégrer facilement les standards. Le pipeline est : Merge Request → Context → Standard → Finding → Auditor (qui propose de nouveaux standards). Les Findings contiennent niveau de risque, problème, impact et solution, notés avec des emojis pour un échange conversationnel. Les Standards passent par MCP et Skills (get, create, update). Le System Matter s'adapte au contexte, le User Matter inclut code, ticket et doc. L'objectif est d'itérer sur les usages en pensant à la DX.

L'IA au service des devs : anatomie d'un assistant de code review

Publié le 31 mars 2026
Par Thomas Boileau
🐘 PHP 🤖 AI/ML 🛠️ Tools
📅 Symfony Live
Sketchnote illustrant le développement d'un Coding Agent en PHP présentée par Fabien Potencier au Symfony Live Paris 2026. Le schéma montre trois acteurs : l'IA (modèle et agent de code), les Tasks (Spec, Code, Debug, Test, Refactor, Code Review) et l'Humain (dans la boucle, responsable). Le mode YOLO combiné avec un Sandbox est recommandé. Les bonnes pratiques : utiliser Bash et des outils optimisés, créer des Skills avec des instructions ciblées dès que possible. Le System Prompt impacte le résultat et doit définir le rôle de l'agent, les outils disponibles, les guidelines du projet et le fichier AGENT.md du projet.

Développer un Coding Agent en PHP : dans les coulisses du « Harness »

Publié le 31 mars 2026
Par Fabien Potencier
🐘 PHP 🤖 AI/ML 🛠️ Tools
📅 Symfony Live
Sketchnote illustrant la communication entre utilisateur et agent IA présentée lors d'un meetup AFUP Lorraine. Le schéma explique l'architecture API Multi Platform avec IA (FastAPI, Laravel) connectée via un MCP. Le flux commence par une APP (mail, trad, météo, domotique) qui communique avec une API (Fast API streaming pour l'IA), puis un agent IA (Mistral Small 3.5 en local, Ollama) et enfin le MCP (protocole agent-outil). Le processus se décompose en demande, transmission, analyse (avec un cerveau illustré), réponse (avec icône message), réponse (avec icône crayon pour écriture), et outils (clé à molette). L'architecture permet une communication fluide et structurée entre l'utilisateur et l'intelligence artificielle.

Communication entre utilisateur et agent IA

Publié le 11 décembre 2025
Par Nathanael Heitz
🔗 API 🤖 AI/ML
📅 AFUP Lorraine
Sketchnote sur l'impact des LLMs sur la conception d'APIs. Le schéma présente le concept d'AI Agent (model using tools in loop). Un dessin indique qu'un agent fonctionne de manière similaire à un humain envers une application à travers web, CLI, API. Un shéma rappel que les APIs sont pour les interactions entre les machines. Un fleche part de cette notion pour rappeler qu'un agent fonctionne comme un humain et à besoin d'aide. Une flèche explique que l'aide en question inclut un prompt, une réponse API pour décorer/customiser, les messages d'erreurs. Le schéma conclu avec le message central 'It's all about improving' qui met l'accent sur l'amélioration de la DX (Developer Experience) et de l'AX (Agent Experience) avec consistance, documentation (for code, for developers, for agents), et exemples. Une section Tokens explique compression de texte, petites optimisations avec impact, équation 'less tokens = less cost'.

How LLMs are changing the way we should build APIs

Publié le 29 novembre 2025
Par Fabien Potencier
🤖 AI/ML 🔗 API
📅 API Platform Conference
Sketchnote illustrant l'évolution de l'IA engineering présentée lors d'un Apéro Web à Nancy. Le schéma montre la progression de Copilot (2023, autocomplétion avec comics) vers Vibe Coding (2024, prototypage avec doc LLM AI-IDE) puis Claude Code (2025, AI engineering CLI). La productivité s'améliore avec un impact engineering (moins de tickets traités) et business (livraison plus rapide), ainsi qu'une meilleure qualité du code (code rabbit, code/test, sécurité). Les astuces incluent 4 niveaux de pensée avec Ultra Think Hard prompt, Plan Mode pour réflexion, Edit Mode pour modification, itération des prompts, découpage du contexte en tickets, et estimation par IA. MCP permet l'usage des LLM, APIs, docs, tickets. Le mode parallel utilise Git worktree pour multi-clone headless.

You Shouldn't Write Code Anymore - Claude Code

Publié le 07 décembre 2025
Par Jonathan Petitcolas
🛠️ Tools 🤖 AI/ML
📅 Apéro Web
La sketchnote de la conférence de Jean-Baptiste Kempf explore l'importance de l'open source, en particulier avec l'IA. En haut à gauche, le titre "API Days Paris 2024" est affiché en lettres blanches sur fond rouge. Le titre de la conférence, "Why Open Source Matters... And Even More Now With AI", est écrit en lettres orange et noires sur fond blanc. La sketchnote est structurée autour de plusieurs blocs et annotations : The Cone Player : L'open source est décrit à travers l'exemple du "cone player", le surnom du lecteur multimédia VLC, créé par et pour la communauté, offrant un logiciel libre et ouvert. Analogie du Gâteau : L'open source est comparé à un gâteau où le boulanger fournit le gâteau (logiciel), la recette (code source), et les spécifications du four (plateforme). Capacités de l'Open Source : L'open source permet d'utiliser, d'étudier, de modifier et de partager le logiciel, avec accès à la documentation, au code, et aux paramètres. Importance pour l'IA : L'open source est crucial pour l'IA car l'IA est omniprésente et l'open source garantit la transparence et l'accessibilité technologique. Des flèches relient ces concepts pour montrer les relations et les similitudes entre eux.

Why Open Source Matters... And Even More Now With AI

Publié le 03 décembre 2024
Par Jean-Baptiste Kempf
🤖 AI/ML ✨ Inspiration
📅 API Days Paris
Sketchnote sur l'intégration d'IA générative dans API Platform par Laura Durieux. Présentation des impacts, défis et problématiques : consommation de ressources, temps de réponse, propriété des données, biais des modèles. Processus en 5 étapes avec fine tuning (corpus initial, données clés, apprentissage, comparaison). Une araignée illustre l'écosystème connecté.

Intégrer Une IA Générative Dans API Platform : Bonne Idée ?

Publié le 20 septembre 2024
Par Laura Durieux
🤖 AI/ML 🔗 API
📅 API Platform Conference
Sketchnote structuré sur le Deep Learning avec TensorFlow. L'illustration détaille la progression : IA/Machine Learning/Deep Learning, extraction et classification des caractéristiques, architecture des réseaux de neurones (input/hidden/output layers), fonctionnement mathématique, et la règle des 90% du temps consacré à la préparation des données.

Deep Learning avec TensorFlow

Publié le 07 mai 2021
Par Arnaud Lahaxe
🤖 AI/ML