Aller au contenu
JournalPublié le 17 novembre 20265 min de lecture

Développement logiciel au Royaume-Uni sans argument commercial

Produits IAdéveloppement logicielcollaboration à distanceMVP Sprintvérification

Lorsqu'un fondateur compare des partenaires pour du développement logiciel au Royaume-Uni, il reçoit généralement une présentation et une promesse. Je dirige un studio à Douala et j'ai livré des produits IA pour des clients à Londres, Berlin et Zurich. Cette note est l'inverse de cette présentation. Elle décrit ce qui se passe réellement lorsque vous me confiez la construction d'un produit IA, du premier appel au jour où le modèle est mis en production.

Le premier appel porte sur le flux de travail, pas sur le modèle

La plupart des fondateurs viennent me voir avec un modèle en tête. Ils ont lu des articles sur les grands modèles de langage ou les API de vision et ils veulent en intégrer un dans leur produit. Je leur demande de ralentir. La première conversation ne porte pas sur le modèle à utiliser. Elle porte sur le flux de travail dans lequel le modèle s'insérera.

Pour Fursa, l'outil d'éligibilité aux voies de visa, le client est arrivé avec un problème clair : les gens perdent des heures à lire les règles d'immigration et obtiennent quand même une réponse fausse. Le modèle était un moyen au service d'une fin. Nous avons consacré le premier appel à cartographier les étapes exactes qu'un utilisateur parcourt, depuis la saisie de sa nationalité jusqu'à la liste des voies de visa possibles. Ce n'est qu'ensuite que nous avons discuté de la manière dont un modèle pouvait condenser ces étapes. Si vous ne pouvez pas décrire le flux de travail sur un tableau blanc, le modèle ne vous sauvera pas.

Le développement logiciel au Royaume-Uni commence par une contrainte

Chaque produit IA que j'ai construit partage une contrainte : la sortie du modèle doit être juste, et cette justesse est définie par quelque chose en dehors du modèle. Pour Fursa, ce référentiel était constitué des directives officielles sur l'immigration de 170 pays de destination. Le modèle ne pouvait pas halluciner une voie de visa. Il devait citer une source pour chaque affirmation. Pour Job Hunter, la contrainte était la fraîcheur. Un tableau d'offres d'emploi qui affiche les annonces d'hier est inutile, donc l'étape de crawl et de correspondance du modèle devait être vérifiée par rapport aux pages carrières elles-mêmes.

Cette contrainte change la façon dont je conduis la mission. Je ne commence pas par un prompt et un playground. Je commence par une conception de la vérification. Qui vérifie la réponse du modèle ? À quelle source le vérificateur compare-t-il ? Que se passe-t-il lorsque le vérificateur n'est pas d'accord ? Ces questions reçoivent une réponse avant qu'une seule ligne de code d'intégration du modèle ne soit écrite. Lorsqu'un client britannique me recrute pour du développement logiciel au Royaume-Uni, il n'achète pas un chatbot. Il achète un système où le modèle est un composant et le point de contrôle humain en est un autre.

Le premier sprint expose le vrai problème

Je conduis la plupart des constructions de produits IA sous forme de MVP Sprint. Huit à douze semaines, périmètre fixe, une tranche étroite du flux de travail. Pour ProPost AI, le moteur de présence LinkedIn, le premier sprint ne consistait pas à générer 365 brouillons par utilisateur. Il consistait à générer un brouillon correspondant à la voix d'un utilisateur et à laisser cet utilisateur l'approuver ou le rejeter avant toute autre chose.

Le sprint a exposé un problème que le client n'avait pas anticipé. Le modèle pouvait produire un texte fluide, mais il ne pouvait pas faire la différence entre une mise à jour professionnelle et une autocongratulation modeste. Nous avons passé trois jours à construire une couche de notation qui vérifiait le ton par rapport à un ensemble d'exemples fournis par le client. Cette couche ne figurait pas dans le périmètre initial. Elle est devenue le cœur du produit. Si nous avions sauté le sprint et passé directement à une construction complète, nous aurions livré un générateur auquel personne n'aurait fait confiance.

La vérification est une fonctionnalité, pas une phase

Dans chaque produit IA que j'ai construit, la vérification n'est pas une étape à la fin. C'est une fonctionnalité qui s'exécute dans le produit. L'utilisateur voit la sortie du modèle et les preuves qui la sous-tendent. L'utilisateur peut approuver, rejeter ou modifier. Le système enregistre chaque décision.

Pour GritGateway, la plateforme d'intelligence des talents africains, cela signifiait qu'un profil de candidat n'était jamais présenté à un employeur sans qu'un vérificateur humain confirme que les compétences correspondaient aux données sources. Le modèle extrayait les compétences des CV et des profils publics. Un vérificateur voyait l'extraction à côté de l'original. Un clic l'approuvait. Un clic la renvoyait. Cette boucle s'exécutait plusieurs centaines de fois par jour et elle maintenait le taux de faux positifs assez bas pour que les recruteurs fassent confiance à la plateforme.

Voici la boucle de vérification que j'utilise sur chaque produit IA :

  • Le modèle produit une réponse candidate avec un score de confiance.
  • Un document source ou une API externe est récupéré et comparé.
  • Un vérificateur humain voit les deux et approuve ou rejette.
  • La décision est enregistrée et réinjectée dans le jeu d'évaluation du modèle.

Il ne s'agit pas d'un projet de recherche. C'est un système de production. L'étape d'approbation humaine n'est pas un correctif temporaire. C'est la raison pour laquelle le produit peut être vendu à un client réglementé ou à un organisme du secteur public.

Livrer signifie assumer le résultat

Lorsque le sprint se termine, le produit ne disparaît pas. Je reste présent pour le lancement et les premières semaines de trafic en production. Pour un client britannique, cela signifie des fuseaux horaires qui se chevauchent. Ma journée à Douala commence tôt, donc j'ai quatre à cinq heures de chevauchement avec Londres. J'utilise cette fenêtre pour le binômage, la revue des journaux et pour guider le client dans le tableau de bord de vérification.

Livrer un produit IA n'est pas la même chose que livrer une application CRUD. Le modèle se comportera différemment en production parce que de vrais utilisateurs posent des questions que vous n'aviez pas anticipées. Durant la première semaine après le lancement, je surveille le taux de rejet. S'il bondit, nous ajustons le prompt, le jeu de sources ou le seuil d'approbation. Le client voit le changement et son effet le même jour. C'est la différence entre un partenaire et un fournisseur. Un fournisseur remet le code. Un partenaire assume le résultat jusqu'à ce que le taux de rejet se stabilise.

La conversation qui devrait suivre

Si vous comparez des partenaires pour un produit IA, ne demandez pas un portfolio. Demandez une contrainte. Demandez comment le dernier projet a vérifié la sortie d'un modèle avant qu'un utilisateur ne la voie. Demandez ce qui s'est passé lorsque la vérification a échoué. Je peux répondre à ces questions avec les cas que j'ai liés ici, et je peux répondre à des questions plus précises lors d'un appel.

Entamez cette conversation via le formulaire de contact ou posez une question à Kadon AI à partir de mon historique. Le pire résultat est que vous apprenez quelque chose sur votre propre flux de travail avant de dépenser un pound pour un modèle.

Envie d'en discuter ?

Parlons-en.

Démarrer la conversation