Description
Hosted on Ausha. See ausha.co/privacy-policy for more information.
Description
Hosted on Ausha. See ausha.co/privacy-policy for more information.
20 episodes


🤖 Un modèle de langage ne peut pas ouvrir un fichier, ni appeler une API, ni exécuter une commande. Et pourtant les agents font ça toute la journée. Ce qui comble l'écart, c'est le harnais : le programme autour du modèle. Cette vidéo l'ouvre. On descend d'un cran sous la boucle agentique : — Le drapeau d'arrêt et l'identifiant d'appel : la logique entière de la boucle tient dans un test — Plusieurs outils demandés d'un coup, et qui décide de les lancer en parallèle — Les garde-fous en dur et la politique de permissions que le modèle ne voit jamais — Le code que le harnais exécute de lui-même entre deux appels — Les outils : pourquoi leur description est du prompt, pourquoi en avoir trop est un problème — Ce que le harnais fait d'un résultat avant de le rendre au modèle : tronquer, numéroter, borner — Le contexte : ce qui y entre avant ta première phrase, et les trois façons de le tenir (résumé, fichiers, sous-agents) Fil rouge : un test qui échoue, corrigé par un agent, du premier appel jusqu'à la fin. ▶️ La vidéo sur la boucle agentique, à voir avant ou après : https://www.youtube.com/watch?v=MOuFsDjaEd4 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #Agents #HarnaisIA #LLM #MCP #IntelligenceArtificielle #MachineLearning #DevIA #VulgarisationIA #ProjetsIA #IA Hosted on Ausha. See ausha.co/privacy-policy for more information.
21min | Published on November 16, 2026


Un moteur génératif ne classe pas des liens : il lit des pages et fabrique une réponse. Le podium a disparu, et ton site peut servir à construire la réponse sans jamais y apparaître. Dans cette vidéo : — Pourquoi le clic cesse d'être la récompense (1 % de clics sur les liens d'un résumé IA, Pew 2025) — Ta page n'existe pas : elle est découpée en passages, qui vont chacun leur chemin — Pourquoi un article très complet peut perdre contre une page médiocre mieux découpée — Comment le modèle décide qui citer, et pourquoi ce n'est pas un classement — Les 3 techniques mesurées comme efficaces (+40 %) et celles qui ne font rien — Pourquoi le bourrage de mots-clés est devenu inopérant, pas juste moins efficace 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #GEO #SEO #IA #RechercheIA #LLM #RAG #IntelligenceArtificielle #VulgarisationIA #ProjetsIA # SOURCES Le terme GEO vient d'un papier de recherche, KDD 2024 | Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande, *GEO: Generative Engine Optimization*, KDD 2024, arXiv 2311.09735 Hosted on Ausha. See ausha.co/privacy-policy for more information.
11min | Published on October 25, 2026


🔍 Les détecteurs d'IA se trompent, et surtout ils accusent des textes humains. Ce n'est pas un bug qu'on corrigera : c'est structurel. La seule approche qui tienne, c'est de marquer au moment de la génération. Dans cette vidéo : — Pourquoi la détection après coup juge un style, et pourquoi un style se change — Pourquoi les détecteurs accusent en premier ceux qui écrivent dans une langue apprise — Le marquage à la source : liste verte, liste rouge, et un tirage légèrement biaisé — Pourquoi c'est invisible dans une phrase et flagrant sur 300 mots — L'arbitrage robustesse / qualité, qu'aucun réglage ne résout — Ce qui efface la marque : réécriture, traduction, mélange — L'autre voie : signer le fichier au lieu de marquer le contenu 👉 Projets IA : pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #Filigrane #Watermarking #DétectionIA #AIAct #LLM #IntelligenceArtificielle #VulgarisationIA #ProjetsIA #IA ` SOURCES Article 50 du règlement européen sur l'IA : marquage lisible par machine obligatoire depuis le 2 août 2026 : artificialintelligenceact.eu/article/50/` ; guidelines de la Commission publiées le 20 juillet 2026 Découpage vert/rouge du vocabulaire, biais du tirage, détection statistique : Kirchenbauer, Geiping, Wen, Katz, Miers, Goldstein, "A Watermark for Large Language Models", ICML 2023 Hosted on Ausha. See ausha.co/privacy-policy for more information.
12min | Published on October 19, 2026


Un réseau de neurones, ça n'a rien à voir avec un cerveau. À l'intérieur, il n'y a que des additions et des multiplications : des maths de niveau collège. Alors comment ça peut reconnaître ton visage, traduire une langue ou écrire du texte ? Dans cette vidéo, on démonte un réseau de neurones pièce par pièce, à partir de zéro, sans une seule équation. Le neurone, les couches, et surtout comment le réseau apprend tout seul à partir d'exemples. Si tu sais additionner et multiplier, tu as tout ce qu'il faut pour suivre. 🔗 Ressource citée : Neural Network Playground de TensorFlow (playground.tensorflow.org) pour voir un réseau apprendre en direct dans ton navigateur. 🔔 Abonne-toi à Projets IA pour comprendre l'IA pour de vrai, pas juste en parler. #ReseauDeNeurones #DeepLearning #IntelligenceArtificielle #IA #MachineLearning #VulgarisationIA #ReLU #ProjetsIA #ApprentissageProfond #NeuralNetwork #DebutantIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
14min | Published on October 8, 2026


🔁 Un modèle de langage seul ne fait qu'une chose : produire du texte. Alors comment les « agents IA » arrivent-ils à chercher, lire, calculer et enchaîner des dizaines d'actions tout seuls ? La réponse tient dans une boucle très simple — la boucle agentique — qu'on construit ici morceau par morceau, sans dépendre d'un outil précis. On part du motif ReAct (raisonner + agir), on ajoute ce qu'il faut autour pour que ça tienne (mémoire, conditions d'arrêt, appels d'outils structurés en JSON), puis on regarde là où ça casse en vrai et comment fiabiliser. À la fin, tu reconnaîtras cette boucle derrière la plupart des agents et des frameworks. 👉 Projets IA — l'IA expliquée en profondeur, sans bagage requis. 🔔 Abonne-toi pour les prochains deep-dives. #ProjetsIA #IA #IntelligenceArtificielle #AgentIA #LLM #ReAct #AgentsIA #MachineLearning #DeepLearning #ChatGPT #Claude SOURCE : - ReAct : Yao, Zhao, Yu, Du, Shafran, Narasimhan, Cao — « ReAct: Synergizing Reasoning and Acting in Language Models », 2022 (arXiv:2210.03629). Motif d'alternance raisonnement + action : https://arxiv.org/pdf/2210.03629 Hosted on Ausha. See ausha.co/privacy-policy for more information.
13min | Published on October 1, 2026


📚 En avril 2025, Andrej Karpathy publie une idée simple qui emballe des milliers de développeurs : le « LLM Wiki ». Au lieu du RAG, où l'IA refouille tes documents à chaque question, on lui fait construire et entretenir un wiki en markdown qui s'enrichit dans le temps. Sa formule : « Obsidian, c'est l'éditeur ; le LLM, c'est le programmeur ; le wiki, c'est le code. » Dans cette vidéo : le problème du RAG, l'idée du LLM Wiki, comment on le met en place et où sont ses limites. 🔗 Source : le gist « LLM Wiki » d'Andrej Karpathy (GitHub) 🔔 Abonne-toi à Projets IA — on décortique l'IA et on la met en pratique. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA # 🔗 SOURCES -*Andrej Karpathy — gist « LLM Wiki » (GitHub, avril 2025). Motif de construction/maintenance d'une base de connaissances par un LLM, en alternative au RAG. Citation reprise : « Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase. » - Architecture en trois couches (sources → wiki dérivé → fichier de schéma/règles) et intégration incrémentale (mise à jour des pages, création de pages de concepts, signalement des contradictions). - Adoption : gist devenu très populaire (milliers d'étoiles en quelques jours), motif repris avec des agents type Claude Code / Codex en 2025-2026. - Andrej Karpathy : membre fondateur d'OpenAI, ancien directeur de l'IA chez Tesla. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
9min | Published on September 20, 2026


🧠 Tu entraînes un petit réseau sur une tâche de calcul. En quelques centaines d'étapes, il répond juste sur tous les exemples vus : il a mémorisé. Sur des exemples nouveaux, il reste nul, au niveau du hasard. Et si tu continues à l'entraîner très longtemps après que tout semble figé, sa précision bondit d'un coup jusqu'à quasi 100 % : il a « grokké ». C'est la généralisation retardée. Dans cette vidéo, en trois temps : le phénomène et pourquoi il déroute, le rôle du weight decay qui pousse le modèle du par-cœur vers la vraie règle, et surtout ce qui se passe à l'intérieur — le modèle apprend un vrai algorithme, il pose les nombres sur un cercle (comme une horloge) et additionne en tournant les aiguilles, en trois phases : mémorisation → formation du circuit → nettoyage. Aucun prérequis technique lourd. Fil rouge unique : l'horloge. ⚠️ Nuance importante : le grokking a été observé surtout sur de petites tâches algorithmiques (arithmétique modulaire). Sa portée aux grands modèles reste débattue. 📚 Pour aller plus loin : — Power, Burda, Edwards, Babuschkin, Misra — « Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets » (OpenAI, 2022) — Nanda, Chan, Lieberum, Smith, Steinhardt — « Progress measures for grokking via mechanistic interpretability » (ICLR 2023, arXiv:2301.05217) 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, une idée à creuser et l'actu de la recherche expliquée simplement : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA : on démonte l'IA en profondeur, un concept par vidéo. #Grokking #Généralisation #InterprétabilitéMécanique #WeightDecay #DeepLearning #IA #IntelligenceArtificielle #MachineLearning #RéseauxDeNeurones #Transformer #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
16min | Published on September 6, 2026


La plupart des modèles d'IA estampillés "open source" ne le sont pas vraiment. On confond deux choses très différentes : "open weights" (on peut télécharger et faire tourner le modèle fini) et "open source" au sens strict (on a AUSSI le code d'entraînement et assez d'infos sur les données pour auditer et reconstruire le modèle). Dans cette vidéo, on décortique la distinction, on explique la définition officielle de l'Open Source Initiative (l'OSAID, publiée le 28 octobre 2024, avec ses 4 libertés), on met un nom sur l'"openwashing", et on place les modèles connus sur un axe qui va du fermé au vraiment ouvert. Aucun bagage technique requis : c'est un sujet de mots et de licences. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse et l'actu qui compte : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA pour comprendre l'IA telle qu'elle est vraiment, pas telle qu'on te la vend. #ProjetsIA #OpenSource #IA #IntelligenceArtificielle #LLM #OpenWeights #Llama #DeepSeek #MachineLearning #VulgarisationIA #OSI Hosted on Ausha. See ausha.co/privacy-policy for more information.
14min | Published on August 29, 2026


💸 Tout, dans un LLM, se facture au token. Mais entre le modèle que tu choisis, la longueur de tes conversations et ce que le modèle t'écrit en réponse, le même travail peut coûter une fraction de centime… ou cinquante fois plus. Dans cette vidéo, en trois temps : ce qui fait vraiment le prix quand tu utilises un LLM, comment estimer tes coûts avant même de te lancer, et comment faire baisser la note. ⚠️ Les prix cités sont ceux d'août 2026 et baissent très vite (÷~5 en un an). Revérifie les grilles officielles avant de calculer pour de vrai. Ici, ce qui compte, c'est la méthode. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, un exercice et l'actu qui périme tes calculs : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA — on démonte l'IA côté concept et côté chantier. #CoutAPI #Tokens #LLM #IA #IntelligenceArtificielle #PromptCaching #MachineLearning #APIcost #DeepSeek #TCO #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
14min | Published on August 18, 2026


💻 Google Colab, c'est une page web gratuite où tu peux coder, faire tourner une IA et utiliser un GPU de plusieurs milliers d'euros — sans rien installer sur ton ordinateur. C'est le point de départ de la quasi-totalité des tutoriels IA. Ici on met les mains dedans : on suit un même fil rouge du début à la fin — un petit « détecteur d'humeur » qui lit une phrase et dit si elle est positive ou négative. Aucun prérequis. Si tu n'as jamais codé, cette vidéo est pour toi. 🔗 Pour te lancer : colab.research.google.com 🔔 Abonne-toi à Projets IA — on va faire tourner des IA ensemble, en partant de zéro. #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA --- # 🔗 SOURCES - **Documentation officielle Google Colab** — colab.research.google.com (FAQ, types de runtime, limites d'usage GPU, montage Google Drive). - Usage réel de préparation de démos (retour d'expérience). --- # 🏷️ HASHTAGS ``` #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
11min | Published on August 10, 2026
Description
Hosted on Ausha. See ausha.co/privacy-policy for more information.
20 episodes


🤖 Un modèle de langage ne peut pas ouvrir un fichier, ni appeler une API, ni exécuter une commande. Et pourtant les agents font ça toute la journée. Ce qui comble l'écart, c'est le harnais : le programme autour du modèle. Cette vidéo l'ouvre. On descend d'un cran sous la boucle agentique : — Le drapeau d'arrêt et l'identifiant d'appel : la logique entière de la boucle tient dans un test — Plusieurs outils demandés d'un coup, et qui décide de les lancer en parallèle — Les garde-fous en dur et la politique de permissions que le modèle ne voit jamais — Le code que le harnais exécute de lui-même entre deux appels — Les outils : pourquoi leur description est du prompt, pourquoi en avoir trop est un problème — Ce que le harnais fait d'un résultat avant de le rendre au modèle : tronquer, numéroter, borner — Le contexte : ce qui y entre avant ta première phrase, et les trois façons de le tenir (résumé, fichiers, sous-agents) Fil rouge : un test qui échoue, corrigé par un agent, du premier appel jusqu'à la fin. ▶️ La vidéo sur la boucle agentique, à voir avant ou après : https://www.youtube.com/watch?v=MOuFsDjaEd4 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #Agents #HarnaisIA #LLM #MCP #IntelligenceArtificielle #MachineLearning #DevIA #VulgarisationIA #ProjetsIA #IA Hosted on Ausha. See ausha.co/privacy-policy for more information.
21min | Published on November 16, 2026


Un moteur génératif ne classe pas des liens : il lit des pages et fabrique une réponse. Le podium a disparu, et ton site peut servir à construire la réponse sans jamais y apparaître. Dans cette vidéo : — Pourquoi le clic cesse d'être la récompense (1 % de clics sur les liens d'un résumé IA, Pew 2025) — Ta page n'existe pas : elle est découpée en passages, qui vont chacun leur chemin — Pourquoi un article très complet peut perdre contre une page médiocre mieux découpée — Comment le modèle décide qui citer, et pourquoi ce n'est pas un classement — Les 3 techniques mesurées comme efficaces (+40 %) et celles qui ne font rien — Pourquoi le bourrage de mots-clés est devenu inopérant, pas juste moins efficace 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #GEO #SEO #IA #RechercheIA #LLM #RAG #IntelligenceArtificielle #VulgarisationIA #ProjetsIA # SOURCES Le terme GEO vient d'un papier de recherche, KDD 2024 | Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande, *GEO: Generative Engine Optimization*, KDD 2024, arXiv 2311.09735 Hosted on Ausha. See ausha.co/privacy-policy for more information.
11min | Published on October 25, 2026


🔍 Les détecteurs d'IA se trompent, et surtout ils accusent des textes humains. Ce n'est pas un bug qu'on corrigera : c'est structurel. La seule approche qui tienne, c'est de marquer au moment de la génération. Dans cette vidéo : — Pourquoi la détection après coup juge un style, et pourquoi un style se change — Pourquoi les détecteurs accusent en premier ceux qui écrivent dans une langue apprise — Le marquage à la source : liste verte, liste rouge, et un tirage légèrement biaisé — Pourquoi c'est invisible dans une phrase et flagrant sur 300 mots — L'arbitrage robustesse / qualité, qu'aucun réglage ne résout — Ce qui efface la marque : réécriture, traduction, mélange — L'autre voie : signer le fichier au lieu de marquer le contenu 👉 Projets IA : pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #Filigrane #Watermarking #DétectionIA #AIAct #LLM #IntelligenceArtificielle #VulgarisationIA #ProjetsIA #IA ` SOURCES Article 50 du règlement européen sur l'IA : marquage lisible par machine obligatoire depuis le 2 août 2026 : artificialintelligenceact.eu/article/50/` ; guidelines de la Commission publiées le 20 juillet 2026 Découpage vert/rouge du vocabulaire, biais du tirage, détection statistique : Kirchenbauer, Geiping, Wen, Katz, Miers, Goldstein, "A Watermark for Large Language Models", ICML 2023 Hosted on Ausha. See ausha.co/privacy-policy for more information.
12min | Published on October 19, 2026


Un réseau de neurones, ça n'a rien à voir avec un cerveau. À l'intérieur, il n'y a que des additions et des multiplications : des maths de niveau collège. Alors comment ça peut reconnaître ton visage, traduire une langue ou écrire du texte ? Dans cette vidéo, on démonte un réseau de neurones pièce par pièce, à partir de zéro, sans une seule équation. Le neurone, les couches, et surtout comment le réseau apprend tout seul à partir d'exemples. Si tu sais additionner et multiplier, tu as tout ce qu'il faut pour suivre. 🔗 Ressource citée : Neural Network Playground de TensorFlow (playground.tensorflow.org) pour voir un réseau apprendre en direct dans ton navigateur. 🔔 Abonne-toi à Projets IA pour comprendre l'IA pour de vrai, pas juste en parler. #ReseauDeNeurones #DeepLearning #IntelligenceArtificielle #IA #MachineLearning #VulgarisationIA #ReLU #ProjetsIA #ApprentissageProfond #NeuralNetwork #DebutantIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
14min | Published on October 8, 2026


🔁 Un modèle de langage seul ne fait qu'une chose : produire du texte. Alors comment les « agents IA » arrivent-ils à chercher, lire, calculer et enchaîner des dizaines d'actions tout seuls ? La réponse tient dans une boucle très simple — la boucle agentique — qu'on construit ici morceau par morceau, sans dépendre d'un outil précis. On part du motif ReAct (raisonner + agir), on ajoute ce qu'il faut autour pour que ça tienne (mémoire, conditions d'arrêt, appels d'outils structurés en JSON), puis on regarde là où ça casse en vrai et comment fiabiliser. À la fin, tu reconnaîtras cette boucle derrière la plupart des agents et des frameworks. 👉 Projets IA — l'IA expliquée en profondeur, sans bagage requis. 🔔 Abonne-toi pour les prochains deep-dives. #ProjetsIA #IA #IntelligenceArtificielle #AgentIA #LLM #ReAct #AgentsIA #MachineLearning #DeepLearning #ChatGPT #Claude SOURCE : - ReAct : Yao, Zhao, Yu, Du, Shafran, Narasimhan, Cao — « ReAct: Synergizing Reasoning and Acting in Language Models », 2022 (arXiv:2210.03629). Motif d'alternance raisonnement + action : https://arxiv.org/pdf/2210.03629 Hosted on Ausha. See ausha.co/privacy-policy for more information.
13min | Published on October 1, 2026


📚 En avril 2025, Andrej Karpathy publie une idée simple qui emballe des milliers de développeurs : le « LLM Wiki ». Au lieu du RAG, où l'IA refouille tes documents à chaque question, on lui fait construire et entretenir un wiki en markdown qui s'enrichit dans le temps. Sa formule : « Obsidian, c'est l'éditeur ; le LLM, c'est le programmeur ; le wiki, c'est le code. » Dans cette vidéo : le problème du RAG, l'idée du LLM Wiki, comment on le met en place et où sont ses limites. 🔗 Source : le gist « LLM Wiki » d'Andrej Karpathy (GitHub) 🔔 Abonne-toi à Projets IA — on décortique l'IA et on la met en pratique. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA # 🔗 SOURCES -*Andrej Karpathy — gist « LLM Wiki » (GitHub, avril 2025). Motif de construction/maintenance d'une base de connaissances par un LLM, en alternative au RAG. Citation reprise : « Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase. » - Architecture en trois couches (sources → wiki dérivé → fichier de schéma/règles) et intégration incrémentale (mise à jour des pages, création de pages de concepts, signalement des contradictions). - Adoption : gist devenu très populaire (milliers d'étoiles en quelques jours), motif repris avec des agents type Claude Code / Codex en 2025-2026. - Andrej Karpathy : membre fondateur d'OpenAI, ancien directeur de l'IA chez Tesla. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
9min | Published on September 20, 2026


🧠 Tu entraînes un petit réseau sur une tâche de calcul. En quelques centaines d'étapes, il répond juste sur tous les exemples vus : il a mémorisé. Sur des exemples nouveaux, il reste nul, au niveau du hasard. Et si tu continues à l'entraîner très longtemps après que tout semble figé, sa précision bondit d'un coup jusqu'à quasi 100 % : il a « grokké ». C'est la généralisation retardée. Dans cette vidéo, en trois temps : le phénomène et pourquoi il déroute, le rôle du weight decay qui pousse le modèle du par-cœur vers la vraie règle, et surtout ce qui se passe à l'intérieur — le modèle apprend un vrai algorithme, il pose les nombres sur un cercle (comme une horloge) et additionne en tournant les aiguilles, en trois phases : mémorisation → formation du circuit → nettoyage. Aucun prérequis technique lourd. Fil rouge unique : l'horloge. ⚠️ Nuance importante : le grokking a été observé surtout sur de petites tâches algorithmiques (arithmétique modulaire). Sa portée aux grands modèles reste débattue. 📚 Pour aller plus loin : — Power, Burda, Edwards, Babuschkin, Misra — « Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets » (OpenAI, 2022) — Nanda, Chan, Lieberum, Smith, Steinhardt — « Progress measures for grokking via mechanistic interpretability » (ICLR 2023, arXiv:2301.05217) 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, une idée à creuser et l'actu de la recherche expliquée simplement : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA : on démonte l'IA en profondeur, un concept par vidéo. #Grokking #Généralisation #InterprétabilitéMécanique #WeightDecay #DeepLearning #IA #IntelligenceArtificielle #MachineLearning #RéseauxDeNeurones #Transformer #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
16min | Published on September 6, 2026


La plupart des modèles d'IA estampillés "open source" ne le sont pas vraiment. On confond deux choses très différentes : "open weights" (on peut télécharger et faire tourner le modèle fini) et "open source" au sens strict (on a AUSSI le code d'entraînement et assez d'infos sur les données pour auditer et reconstruire le modèle). Dans cette vidéo, on décortique la distinction, on explique la définition officielle de l'Open Source Initiative (l'OSAID, publiée le 28 octobre 2024, avec ses 4 libertés), on met un nom sur l'"openwashing", et on place les modèles connus sur un axe qui va du fermé au vraiment ouvert. Aucun bagage technique requis : c'est un sujet de mots et de licences. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse et l'actu qui compte : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA pour comprendre l'IA telle qu'elle est vraiment, pas telle qu'on te la vend. #ProjetsIA #OpenSource #IA #IntelligenceArtificielle #LLM #OpenWeights #Llama #DeepSeek #MachineLearning #VulgarisationIA #OSI Hosted on Ausha. See ausha.co/privacy-policy for more information.
14min | Published on August 29, 2026


💸 Tout, dans un LLM, se facture au token. Mais entre le modèle que tu choisis, la longueur de tes conversations et ce que le modèle t'écrit en réponse, le même travail peut coûter une fraction de centime… ou cinquante fois plus. Dans cette vidéo, en trois temps : ce qui fait vraiment le prix quand tu utilises un LLM, comment estimer tes coûts avant même de te lancer, et comment faire baisser la note. ⚠️ Les prix cités sont ceux d'août 2026 et baissent très vite (÷~5 en un an). Revérifie les grilles officielles avant de calculer pour de vrai. Ici, ce qui compte, c'est la méthode. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, un exercice et l'actu qui périme tes calculs : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA — on démonte l'IA côté concept et côté chantier. #CoutAPI #Tokens #LLM #IA #IntelligenceArtificielle #PromptCaching #MachineLearning #APIcost #DeepSeek #TCO #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
14min | Published on August 18, 2026


💻 Google Colab, c'est une page web gratuite où tu peux coder, faire tourner une IA et utiliser un GPU de plusieurs milliers d'euros — sans rien installer sur ton ordinateur. C'est le point de départ de la quasi-totalité des tutoriels IA. Ici on met les mains dedans : on suit un même fil rouge du début à la fin — un petit « détecteur d'humeur » qui lit une phrase et dit si elle est positive ou négative. Aucun prérequis. Si tu n'as jamais codé, cette vidéo est pour toi. 🔗 Pour te lancer : colab.research.google.com 🔔 Abonne-toi à Projets IA — on va faire tourner des IA ensemble, en partant de zéro. #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA --- # 🔗 SOURCES - **Documentation officielle Google Colab** — colab.research.google.com (FAQ, types de runtime, limites d'usage GPU, montage Google Drive). - Usage réel de préparation de démos (retour d'expérience). --- # 🏷️ HASHTAGS ``` #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.
11min | Published on August 10, 2026