Blog
Articles techniques, pas de billets d'humeur.
On écrit sur ce qu'on fait : Lean Six Sigma, Machine Learning industriel, architectures agnostiques. Les articles sont denses, chiffrés, et visent le praticien qui cherche à comprendre, pas le décideur qui cherche à se rassurer.
- 50
Stack IA open-source en entreprise : 7 briques sérieuses + focus Claude Mem Palace
Quelles briques open-source intégrer dans un stack IA d'entreprise sécurisé en 2026 — vLLM, MCP, LangSmith, Qdrant, Mem Palace. Retour terrain d'un POC interne BCUB3.
- 49
Intégrateur IA industriel : ce que ça veut dire en 2026 (et les 12 questions à poser avant de signer)
Intégrateur IA industriel = qui fait quoi en 2026 ? Critères de choix, cas d'usage à ROI rapide, coût réaliste, contraintes souveraineté + AI Act, stack technique typique. Sans le marketing, avec les chiffres.
- 48
SEO & GEO technique 2026 : Core Web Vitals, JSON-LD, llms.txt et contenu cité par les LLM
Checklist technique SEO + GEO 2026 : LCP < 2,5 s, INP < 200 ms, CLS < 0,1, JSON-LD Article/Product/FAQ/HowTo, canonical, hreflang, sitemap, robots.txt.
- 47
Holding, régime mère-fille et intégration fiscale : structurer son patrimoine en 2026
Montage d'une holding SAS ou SARL, régime mère-fille (articles 145 et 216 CGI, exonération 95 % des dividendes remontés).
- 46
Rémunération dirigeant SASU vs EURL : l'arbitrage salaire / dividendes en 2026
Analyse chiffrée de l'arbitrage salaire / dividendes entre SASU (président assimilé salarié, ~82 % de charges) et EURL.
- 45
Choisir sa structure d'entreprise en France en 2026 : EI, EURL, SASU ou SAS
Comparatif technique des structures françaises en 2026 : seuils micro-BIC 188 700 €/77 700 €, franchise TVA 85 000 €/37 500 €.
- 44
Cursor vs Claude Code vs Cline en 2026 — comparatif terrain
Comparatif feature-by-feature des trois outils agentic dev en 2026 : hooks, MCP, sub-agents, slash commands, context, coûts, failure modes.
- 43
3P Design : 2 jours pour outiller une équipe marketing B2B
Retour d'expérience sur un accompagnement 2 jours d'une équipe marketing B2B industrielle vers la production autonome de contenu SEO assisté par IA.
- 42
Le vrai coût d'une stack RAG en production — chiffres PME
Breakdown honnête d'une stack RAG en prod : tokens Anthropic/OpenAI, Qdrant cloud vs self-host, infra compute, maintenance dev.
- 41
Quand un seul agent ne suffit plus — pattern orchestrator pour PME
Limites d'un LLM mono-agent (context, biais, rate limit), seuils concrets pour basculer vers du multi-agent, patterns.
- 40
Agent RAG pour rédiger un devis industriel — architecture concrète
PME qui reçoit un cahier des charges PDF, doit sortir devis en 24h. Stack ingestion PDF → Qdrant → agent LLM avec historique → humain relit.
- 39
Un système agentique peut-il remplacer un ERP ?
TCO ERP classique vs stack agentique (LLM + RAG + LangGraph + BDD) pour une PME 15-50 salariés.
- 38
État de l'art Claude Code en 2026 — ce que fait vraiment le produit
Hooks, MCP, sub-agents, context window, coûts token réels. Comparaison agnostique avec Cursor, Cline, Aider, OpenHands.
- 37
Rétrofit 4-20mA sur machine legacy : ESP32, Modbus TCP, Node-RED, Grafana
Remonter un capteur 4-20mA d'une machine industrielle de 20 ans vers un dashboard Grafana pour moins de 90 €.
- 36
Comment un RAG retrouve la bonne info : cosinus, Euclidienne, dot, Jaccard expliqués sans math
Quatre métriques de similarité utilisées en RAG, expliquées sans formules intimidantes.
- 35
ESP32 + OPC UA + Siemens S7-1200 : tuto end-to-end
Remonter un capteur ESP32 vers un automate Siemens S7-1200 en OPC UA, sans passerelle commerciale à 1500€. Architecture, code, wiring, benchmark coût/perf.
- 34
SHAP + XGBoost : root cause analysis industrielle
L'Ishikawa identifie les causes possibles. SHAP + XGBoost identifie les causes réelles, chiffrées, hiérarchisées.
- 33
XGBoost pour l'ordonnancement de production industriel
Les temps gamme mentent. XGBoost apprend les vraies durées d'opération à partir de l'historique MES.
- 32
Stocks et variabilité : le niveau optimal n'existe pas, il se calcule
Pourquoi la plupart des ETI sur-stockent de 30-50% sans le savoir. Les deux variabilités qui dictent le stock, les formules de safety stock.
- 31
Le premier combat du lean : équilibrer avant de fluidifier
Pourquoi heijunka doit précéder SMED, TPM et tous les chantiers d'excellence opérationnelle.
- 30
One Piece Flow : pourquoi c'est si difficile en vrai
Le flux pièce à pièce divise le lead time par 2 et le WIP par 5. Mais 90% des tentatives échouent.
- 29
Le risque bêta : le défaut que votre test statistique ne voit pas
Le risque alpha est connu. Le risque bêta est ignoré. Pourtant c'est lui qui coûte le plus cher en industrie.
- 28
Sécurité des LLM : OWASP Top 10, prompt injection et bonnes pratiques pour l'industrie
Les 10 risques OWASP pour les LLM, les attaques par prompt injection, le red teaming.
- 27
XGBoost + Weibull : durée de vie des outillages
Analyse de survie industrielle augmentée par XGBoost. Comparer les courbes de Weibull classiques avec un modèle XGBoost de survie pour optimiser les…
- 26
Cadre juridique de l'intégrateur IA en France : responsabilités, architectures et sécurité
Périmètre, obligations de maintenance, responsabilité civile, architectures hybrid/edge/on-premise, moyens d'intégration, sécurité LLM (OWASP).
- 25
Mode opératoire : entraîner un SLM pour l'industrie, de A à Z
Guide pas-à-pas pour fine-tuner un Small Language Model industriel. Du choix du modèle de base au déploiement en production.
- 24
Sécurité de l'IA en industrie : AI Act, NIST CSF, et framework d'intégration en entreprise
Guide complet pour intégrer l'IA en entreprise industrielle de manière sécurisée.
- 23
XGBoost + CNN : classification de défauts visuels industriels
Combiner vision par ordinateur et XGBoost pour trier les pièces industrielles. Quand le deep learning extrait les features et le gradient boosting décide.
- 22
Agréger les données industrielles : moyenne, EWMA, fenêtres temporelles — le guide de choix
Quelle méthode d'agrégation pour quel type de process ? Moyenne mobile, EWMA, percentile, CUSUM. Process continu vs discret.
- 21
Construire des agents IA industriels : la méthode RIGO et les frameworks agentiques
Rôle, Instructions, Guardrails, Output — la méthode RIGO pour concevoir des agents IA fiables. Comparatif LangGraph, CrewAI, AutoGen, MCP.
- 20
Optimiser un LLM pour l'industrie : prompt engineering, RAG, fine-tuning et déploiement souverain
Guide complet d'optimisation des modèles de langage pour les ETI industrielles : prompt engineering, RAG, fine-tuning LoRA, quantization, routing.
- 19
Veille BCUB3 — Brevets, recherche et outils IA pour l'industrie (avril 2026)
Sélection commentée : 5 brevets récents, 5 papiers de recherche, 3 outils open source.
- 18
XGBoost + SHAP : prédire la conso énergétique d'une usine
XGBoost pour modéliser et optimiser la consommation électrique industrielle. SHAP pour expliquer les drivers au directeur usine.
- 17
XGBoost vs Isolation Forest : anomalies capteurs IoT
Deux approches ML pour détecter les anomalies sur flux de capteurs industriels. Quand utiliser la classification supervisée XGBoost vs la détection…
- 16
XGBoost + Optuna : optimiser les réglages machine
Quand le plan d'expérience classique ne suffit plus. XGBoost comme surrogate model, Optuna pour l'optimisation bayésienne, et le terrain comme juge final.
- 15
XGBoost pour la prévision de demande industrielle
Pourquoi XGBoost bat ARIMA et Prophet sur les séries temporelles industrielles irrégulières.
- 14
Combien coûte vraiment l'IA en industrie : cloud vs on-premise, le calcul que personne ne fait
Abonnements max vs on-premise, bilans Anthropic/OpenAI, extrapolation des coûts par token, break-even à 50% de marge, benchmark hardware.
- 13
XGBoost pour prédire le taux de rebut en production
XGBoost appliqué à la prédiction qualité en temps réel. Feature importance sur les paramètres process, seuils adaptatifs, et intégration dans la boucle SPC.
- 12
XGBoost pour la maintenance prédictive industrielle
Comment XGBoost surpasse les seuils statiques pour prédire les défaillances machines à partir de signaux vibratoires et thermiques.
- 11
Machine Learning pour l'industrie : du signal au modèle en production
Pipeline CRISP-DM appliqué aux signaux industriels, feature engineering time-series, choix de modèles (RF, XGBoost, LSTM), et le vrai sujet qu'on évite.
- 10
Connecter un automate Siemens S7 ou Schneider M340 à un pipeline IA : mode opératoire complet
Mode opératoire pas-à-pas pour lire les données d'un Siemens S7-1500 (snap7/OPC-UA) et d'un Schneider M340 (Modbus TCP).
- 09
Edge devices et capteurs pour l'IA industrielle : guide de choix et modes opératoires
Nvidia Jetson, Raspberry Pi, Coral TPU, capteurs vibration/température/vision. Comment choisir, connecter et déployer un edge device pour l'IA en production.
- 08
Machine Learning ou statistiques classiques : l'arbre de choix pour l'industrie
Régression, arbres de décision, random forest, SVM, réseaux de neurones — quand utiliser quoi. Nombre de données, linéarité, explicabilité.
- 07
Architecture réseau industrielle : du capteur au cloud, comprendre le modèle Purdue
Le modèle Purdue (ISA-95) expliqué couche par couche. Niveaux 0 à 5, DMZ IT/OT, protocoles par niveau (Modbus, Profinet, OPC-UA, MQTT, REST).
- 06
Cartes de contrôle SPC : détecter la dérive avant le client
Xbar-R, EWMA, CUSUM, règles Western Electric, capabilité Cp/Cpk. Le guide complet du Statistical Process Control pour l'ingenieur qualité.
- 05
Plans d'expérience (DOE) : du factoriel complet au plan optimal, guide terrain
Construire un plan d'expérience industriel : factoriel complet 2^k, fractionnaire, Box-Behnken, composite central.
- 04
Normalité, linéarité, taille d'échantillon : les trois vérifications avant toute analyse
Avant de lancer un test statistique ou un modèle ML, trois hypothèses conditionnent tout.
- 03
Tests statistiques : le guide de choix pour l'ingénieur de production
t-test, ANOVA, chi², Mann-Whitney — quel test choisir, quand, et pourquoi. Arbre de décision, conditions d'application, taille d'échantillon minimum.
- 02
Lean Six Sigma × Machine Learning : le combo qui change la donne
Comment le ML augmente chaque étape DMAIC sans la remplacer. Measure, Analyze, Improve, Control revisités avec les techniques modernes.
- 01
Lean Six Sigma : les statistiques qui comptent vraiment
DMAIC, capabilité Cp/Cpk, SPC, ANOVA et plans d'expérience. Les outils statistiques qui créent réellement de la valeur en production industrielle.