Méthode
La méthode
Cadrer, prouver, architecturer, industrialiser : la méthode Yelty pour faire passer un projet d'IA du prototype à la production, et les domaines d'expertise qui la portent.
Un projet d’IA échoue rarement à cause du modèle utilisé. Il échoue parce qu’on a fabriqué quelque chose qui ne pouvait pas tenir en production : des données inaccessibles, une intégration impossible, des coûts imprévus, un risque de sécurité ou de conformité découvert trop tard.
La méthode Yelty part de la production et remonte vers le prototype. Quatre étapes, toujours dans le même ordre. Chacune produit un livrable concret, et chacune peut être la dernière si la valeur n’est pas au rendez-vous.
1. Cadrer
Objectif : choisir le bon problème.
Comprendre le besoin métier, l’existant technique et les contraintes : données, sécurité, réglementation, budget. On retient le cas d’usage dont la valeur est mesurable, et on écarte les autres, explicitement.
Livrable : une note de cadrage avec le cas d’usage retenu, ses critères de succès et les risques identifiés.
2. Prouver
Objectif : vérifier que la valeur existe, sur vos données réelles.
Un démonstrateur rapide, construit avec les contraintes de la production en tête. Les critères de succès sont fixés avant de commencer, pour que le résultat ne soit pas une affaire d’impression.
Livrable : un démonstrateur fonctionnel et une mesure objective de sa qualité.
3. Architecturer
Objectif : concevoir ce qui tiendra dans la durée.
Intégration au SI, sécurité, souveraineté des données, choix des modèles et des fournisseurs, maîtrise des coûts d’inférence, exploitabilité. Chaque décision structurante est documentée et justifiée.
Livrable : un dossier d’architecture et les décisions d’architecture associées.
4. Industrialiser
Objectif : mettre en production et rendre vos équipes autonomes.
Chaîne de déploiement, observabilité, évaluation continue de la qualité, procédures d’exploitation, puis transfert de compétences.
Livrable : un système en production, exploité par vos équipes.
Les principes
- Décider par écrit. Les choix structurants sont consignés dans des décisions d’architecture (ADR) : on sait pourquoi on a choisi, et quand revenir sur un choix.
- Mesurer avant d’industrialiser. Pas de mise en production sans critère de qualité défini et suivi.
- Rendre les coûts visibles. Le coût d’usage d’un système d’IA se conçoit, il ne se découvre pas sur la facture.
- Poser la question de la souveraineté. Hébergement, modèles ouverts ou services managés : le choix se fait en connaissance de cause.
- Transmettre. Le succès d’une mission se mesure à l’autonomie de vos équipes à sa fin.
Domaines d’expertise
- Architecture d’entreprise et urbanisation du SI — TOGAF, cartographie, gouvernance d’architecture.
- IA générative en production — Chatbot, RAG, agents, évaluation, observabilité ; modèles d’OpenAI, d’Anthropic et modèles ouverts.
- Cloud et plateformes — Google Cloud, AWS, Azure, Kubernetes, Terraform, chaînes CI/CD.
- API et intégration — API management, architectures orientées événements, micro-services.
- Sécurité et conformité — sécurité des systèmes d’IA, préparation à l’AI Act.