Lab BCUB3

Comprendre l'IA que nous intégrons.

Cette page existe pour deux raisons. Première : vous expliquer simplement, sans formule, ce qu'il y a sous le capot des modèles que nous déployons chez nos clients industriels. Deuxième : présenter nos algorithmes propriétaires brevetés — côté efficacité des modèles et côté pilotage de procédés — qui rendent l'IA plus efficace et plus déployable dans un atelier que dans un data center.

Proto-AIOS sémantique

Nika OS

Kernel agentique qui orchestre des essaims de pods (CLI agentiques compatibles MCP), gère trois couches de mémoire et évolue ses propres prompts par GEPA — sans muter son kernel.

Lire la documentation technique → Modèles · Infra · Stack

Stack technique

5 modèles propriétaires comparés (Claude, GPT, Gemini, Mistral, DeepSeek) — fenêtres de contexte, forces, faiblesses. Plus la stack d'inférence GPU, edge et open source que nous déployons en atelier.

Voir la stack → Algorithmes brevetés

Brevets

Des algorithmes propriétaires brevetés : efficacité des modèles d'IA et pilotage de procédés industriels. Vulgarisation sans formules.

Découvrir nos brevets → Doctrine fondatrice

Antifragilité

Pourquoi nos systèmes s'améliorent quand l'usine bouge. Un thermostat antifragile au sens de Nassim Taleb, transposé au procédé industriel.

Comprendre l'antifragilité →

Section 2

Apprendre en manipulant

Tous nos didacticiels fonctionnent 100 % dans votre navigateur. Aucune donnée n'est transmise. Importez un CSV, ajustez les paramètres, comprenez ce qui se passe.

Qualité Capabilité + SPC Machine Learning Réseau de neurones R&D Plans d'expérience (DOE) Statistiques Tests d'hypothèses Maintenance Analyse vibratoire FFT Production TRS / OEE Statistiques Régression Risques AMDEC / FMEA Métrologie R&R MSA

Voir les 25+ didacticiels →

Section 3

Nos algorithmes propriétaires brevetés

Nous déposons des brevets parce que nos clients industriels doivent pouvoir bâtir leur stratégie IA sur des fondations dont la propriété intellectuelle est claire. Deux familles : l'efficacité des modèles d'IA et le pilotage de procédés industriels. Voici les grandes idées, expliquées sans formule, en analogies du quotidien.

Ce que c'est, en une phrase

Une brique propriétaire qui permet à de petits modèles d'apprendre plus efficacement, en se rapprochant des performances de modèles bien plus gros.

Pourquoi c'est utile en industrie

Des modèles compacts déployables sur l'edge (caméras, capteurs, robots), là où la mémoire et le budget de calcul sont limités — sans sacrifier la qualité.

Analogie

Comme un moteur mieux réglé : à cylindrée égale, il tire davantage de chaque litre de carburant.

Ce que c'est, en une phrase

Un contrôleur qui distingue un simple bruit de mesure d'une vraie dérive de procédé, et n'intervient que lorsque c'est statistiquement justifié.

Pourquoi c'est utile en industrie

Moins de rebuts et moins de variabilité, sans qu'un opérateur expert ait à arbitrer en permanence — le système se recadre tout seul quand l'environnement change.

Analogie

Comme un thermostat intelligent : il ignore un courant d'air ponctuel mais corrige fermement une vraie tendance.

Section 4

L'antifragilité, ou pourquoi nos systèmes s'améliorent quand l'usine bouge

Sur le terrain industriel, l'environnement n'est jamais figé : matière première qui varie, capteur qui dérive, opérateur qui change, saison qui décale les températures. Un système rigide se dégrade. Un système robuste résiste. Un système antifragile — au sens de Nassim Taleb — apprend du stress et devient meilleur. C'est le principe sous-jacent à notre R&D.

Robuste n'est pas antifragile

Un thermostat robuste tient malgré les fluctuations. Un thermostat antifragile apprend des fluctuations pour mieux anticiper la prochaine. Nos contrôleurs propriétaires vont au-delà de la robustesse : ils utilisent chaque dérive comme information d'apprentissage, sans intervention humaine.

L'évolution dirigée des stratégies

Plutôt que figer une stratégie d'IA, nous la faisons muter sous contraintes mesurées : satisfaction utilisateur, latence, coût en tokens, taux d'erreur. Cette approche s'inspire de la recherche académique récente sur l'évolution réflexive de prompts (GEPA, 2025) et de la programmation génétique. Le meilleur variant survit ; les autres sont retirés.

Kernel gravé, harnais mutable

Nous distinguons deux couches dans tout système que nous livrons. Le kernel — invariants de sécurité, contrats de sortie, politiques métier — est gravé et ne mute jamais. Le harnais — formulations, hyperparamètres, heuristiques — évolue en continu. Cette séparation garantit la stabilité opérationnelle tout en permettant l'apprentissage.

Harness multi-pod en évolution continue

Nika OS — documentation technique

Le runtime agentique qui orchestre des essaims de pods agents, persiste la connaissance et pilote des contrôleurs probabilistes en ligne. Documentation technique, en français et en anglais.

Documentation Lire la doc Nika OS → Architecture, primitives, doctrines, observabilité. Vue d'ensemble > concepts > kernel et pods > mémoire > IPC.

Vue d'ensemble — qu'est-ce qu'un OS sémantique
Concepts de base — 8 primitives, 2 modes d'autonomie
Kernel et pods — orchestrateur fin, workers isolables
Système mémoire — 3 niveaux, 5 stores
IPC et bus — Redis Streams + audit JSONL
Skills et hooks — primitives mutables sous tournoi GEPA
MCP et schedule — outils externes, triggers temporels
Observabilité et contrôleurs — pilotage probabiliste
Méta-curateur et évolution — supervision continue, consolidation par matchs
Doctrines — antifragilité, algos comme tools, kernel/pod split
Références — travaux externes et glossaire

Une question, un cas concret ?

Notre R&D existe pour vos cas industriels.

Si l'un de ces sujets éclaire un problème que vous rencontrez sur le terrain — détection de défaut, dérive machine, document non standardisé — parlons-en.

Discuter d'un cas concret