L’entreprise derrière les systèmes
Gwenlake conçoit, développe et exploite des systèmes de données et d’IA pour les entreprises qui ont besoin qu’ils fonctionnent en production. Nous sommes une équipe de data scientists et d’ingénieurs qui se soucient autant de la façon dont un système tourne que de ses performances.
Vision
Nous croyons à un avenir technologique positif. Pas à un avenir inévitable : l’IA ne rendra l’expertise plus accessible, en médecine, dans l’industrie, dans les services dont les gens dépendent, que si les systèmes qui la portent sont construits pour qu’on puisse s’y fier. C’est là qu’est le travail.
Nous croyons que l’intelligence artificielle fera l’essentiel de son travail utile à l’intérieur des organisations, sur leurs propres données, sous leur propre contrôle. Pas dans une fenêtre de conversation, et pas sur les serveurs de quelqu’un d’autre.
Nous croyons que la plupart des projets d’IA meurent entre la donnée et le modèle. Non par manque de modèles : par manque de données connectées, gouvernées, bien décrites, et par manque d’ingénierie autour du modèle une fois qu’il tourne. C’est dans ce trou que nous travaillons.
Nous croyons qu’un système d’IA fiable repose sur quatre choses : des données dont on connaît la provenance, une ontologie qui dit ce qu’elles signifient, une évaluation sur des cas réels, et un environnement que l’organisation contrôle. Tout ce que nous construisons en découle.
Comment nous en sommes arrivés là
Gwenlake a été fondée à Rennes en 2021 par une petite équipe qui avait un pied à l’université et l’autre dans les systèmes en production. Nos premiers projets portaient sur le texte scientifique dans le domaine médical : extraire, classer et annoter la littérature à grande échelle. Ils nous ont appris une chose que nous n’avons jamais oubliée : un modèle ne vaut que par l’expertise métier et les données qui l’entourent.
Nous sommes ensuite passés du texte au signal, en analysant les données de capteurs de navires en mer. Des données bruitées, de gros volumes, et un coût réel quand la réponse est fausse. Ce travail nous a obligés à prendre l’ingénierie aussi au sérieux que les modèles : pipelines, provenance, évaluation, et ce qui se passe le jour où le système tombe.
Après la mer sont venus des signaux d’un autre ordre : les données cérébrales. Des enregistrements plus courts, plus bruités encore, et dont la vérité de terrain est elle-même sujette à interprétation. Cela nous a poussés plus loin dans la même direction : moins de poids sur le choix du modèle, davantage sur la façon dont les données sont décrites et dont un résultat est vérifié.
Chacun de ces projets a laissé quelque chose. Faire tourner des modèles en privé pour nos clients est devenu la Gwenlake Inference API. Enchaîner des modèles en systèmes qui agissent, avec des outils, une mémoire et un contrôle du résultat, est devenu Gwenflow, le framework open source sur lequel tournent nos agents. Et la plateforme que nous reconstruisions d’un projet à l’autre, pour connecter les systèmes d’un client, préparer ses données et y réécrire les résultats, est devenue Gwenlake Atlas.
Aujourd’hui, notre métier est de faire fonctionner l’IA en production pour les organisations que nous servons : pipelines, modèles et agents, conçus, construits et opérés par une seule équipe, sur Atlas. Ce qui n’a pas changé : une partie de l’équipe enseigne et fait de la recherche, dans la ville où nous avons commencé.
Nos valeurs
Curiosité
La réponse de l’an dernier est rarement celle de cette année.
Engagement
Un système en production est une promesse, pas une livraison.
Exigence
Le travail est fini quand il est juste, pas quand il est dû.
Humilité
Le jour où l’on cesse de douter de son modèle est le jour où il trahit quelqu’un.
Le client d’abord
Un projet est terminé quand il fonctionne pour le client, pas quand il est livré.
Une seule équipe
Les mêmes personnes cadrent le problème, entraînent les modèles et livrent l’application.
Livrer et exploiter
Nous livrons vite, et nous exploitons ce que nous livrons.
Pas de silos
Ni héros ni silos : l’équipe travaille d’un seul tenant.
Petit et évalué
En production, un petit modèle bien évalué bat un grand modèle non évalué.
L’amont d’abord
La qualité des données vaut plus que le choix du modèle. L’essentiel du gain est en amont.
Trouver l’erreur
Le lignage n’est pas de la conformité : c’est ainsi qu’on retrouve l’erreur le jour où la réponse est fausse.
Tout expliquer
Chaque exécution devrait être tracée. Si personne ne peut expliquer pourquoi le système a fait ce qu’il a fait, ce n’est pas terminé.
Souveraineté native
La souveraineté est une décision d’architecture, pas une fonctionnalité. Elle se décide au premier jour ou jamais.
Nos racines académiques
Nous n’avons jamais tout à fait quitté l’université. Une partie de l’équipe enseigne encore à l’université de Rennes, et nous restons actifs au sein d’un groupe de recherche dans la ville où nous sommes basés. Chaque année, nous organisons aussi une conférence internationale de finance quantitative, qui réunit chercheurs et praticiens autour du même échange ouvert que nous essayons de construire dans nos produits.