Komprise a publié les résultats d’une enquête menée en septembre 2026 auprès de 500 décideurs techniques. Si 68 % estimaient que leur organisation mûrissait ou était mature en IA, 28 % seulement déclaraient avoir quantifié son retour sur investissement. Seuls 7 % indiquaient qu’au moins 70 % de leurs données étaient nettoyées et classées pour l’IA; 57 % disaient que la moitié ou moins était prête.
MLCommons a été sélectionné pour développer le benchmark MLPerf Agents dans le cadre du défi AI Efficiency Challenge, soutenu par la National Science Foundation américaine et doté de 3,5 millions de dollars sur deux ans. Le benchmark prévu mesurera le flux complet, pas seulement le service de jetons du modèle: harness d’agent, choix du modèle, recherche, outils, orchestration, état, récupération après erreur et validation.
Databricks a généralisé ses API REST synchrones pour analyser, classer et extraire des champs de documents. ai_parse_document convertit tableaux et figures en texte structuré; ai_extract renvoie les champs demandés avec des citations de source et des scores de confiance facultatifs. ai_classify attribue des étiquettes selon une taxonomie métier.
Databricks a annoncé en bêta Predictive AI Functions, un ensemble SQL pour la prévision, la détection d’anomalies, l’analyse des facteurs et la prédiction. Il comprend une version améliorée d’ai_forecast, ainsi que ai_top_drivers, ai_detect_anomalies, ai_predict_value et ai_predict_class. Les fonctions s’appellent en SQL; certaines sont aussi accessibles dans Genie.
OpenAI Economic Research a publié une analyse de l’usage des comptes ChatGPT Business et Enterprise dans l’Union européenne. L’entreprise indique que Codex et ChatGPT Work représentaient plus de la moitié des jetons de sortie de son échantillon d’entreprises européen. Les utilisateurs hebdomadaires actifs de ces outils dans les PME européennes ont été multipliés par plus de huit depuis mai 2026.
OpenAI Economic Research1 min de lecture Données incluses
Un article technique d’Arm du 13 octobre souligne qu’il faut choisir modèles, frameworks et processeurs à l’échelle du flux complet pour l’IA locale. Il cite des démonstrations lors d’événements : un pipeline de traduction utilisant plus de 30 modèles et une synthèse vocale exécutée sur un seul cœur CPU Arm.
Une architecture de référence AWS du 12 octobre traite des lectures de séquençage publiques de NCBI SRA avec HealthOmics et permet d’interroger les résultats sur les gènes de résistance en langage naturel. C’est une démonstration, pas de nouvelles données de surveillance ni un système clinique.
AWS Architecture Blog1 min de lecture Données incluses
Un guide technique AWS du 12 octobre explique l’utilisation des profils d’inférence mondiaux de Bedrock depuis Singapour, Jakarta, la Malaisie, la Thaïlande et Taipei. GPT-6 Astra est présenté depuis Singapour uniquement ; le profil mondial peut router le traitement vers d’autres régions de destination prises en charge.
AWS Machine Learning Blog1 min de lecture Données incluses
Un guide AWS du 12 octobre présente une configuration de conteneur Ray LLM sur EKS qui répartit un LLM sur deux nœuds GPU, en séparant le préremplissage et la génération des jetons. L’article porte sur le déploiement et la configuration.
AWS Machine Learning Blog1 min de lecture Données incluses
Un explicatif d’IBM Research du 12 octobre présente des méthodes du cadre llm-d, dont le routage tenant compte du cache, le déchargement du cache KV, le contrôle des flux et la séparation des phases. Les chiffres de performance proviennent des démonstrations llm-d citées dans l’article.
Alteryx et Google Cloud ont publié un exemple d’architecture associant Live Query et BigQuery pour les flux de documents non structurés. Les factures PDF restent dans Cloud Storage; Alteryx conçoit le flux dans un navigateur, tandis que BigQuery exécute transformations et rapprochements par pushdown SQL. Dans l’exemple détaillé, Gemini AI.GENERATE extrait les champs des factures.
Google Cloud and Alteryx1 min de lecture Données incluses
Un article technique d’AWS du 9 octobre décrit comment Agent Mode de Postman sélectionne les outils selon la tâche, utilise des lectures structurées par schéma et façonne le contexte. Postman présente sa communauté de développeurs comme comptant 40 millions de personnes.
AWS Machine Learning Blog1 min de lecture Données incluses