PyTorch & TensorFlow pour le ML en production

PyTorch domine la recherche et le prototypage grâce à son API intuitive et son mode eager execution qui facilite le debug. TensorFlow reste fort en production edge (TFLite pour mobile/IoT) et en déploiement à grande échelle (TF Serving). En 2026, PyTorch est le choix par défaut pour la majorité des projets IA, sauf si vous ciblez spécifiquement le déploiement embarqué. Forgit utilise principalement PyTorch pour le training et le fine-tuning, et exporte en ONNX pour un serving universel.

Les APIs LLM (OpenAI, Anthropic) suffisent pour la génération de texte, le Q&A et la classification standard. PyTorch ou TensorFlow deviennent nécessaires pour la computer vision (détection d'objets, segmentation), le NLP spécialisé (NER sur un domaine métier), les modèles prédictifs sur données tabulaires, ou le fine-tuning de modèles pour des performances supérieures sur votre domaine. Forgit recommande toujours l'approche la plus simple d'abord (API), puis le ML custom uniquement quand les APIs atteignent leurs limites.

Le déploiement passe par l'export du modèle (TorchScript, ONNX), la conteneurisation avec un serveur d'inférence (TorchServe, Triton Inference Server, ou un simple FastAPI), et le déploiement sur infrastructure GPU. La quantification (INT8, FP16) réduit la taille du modèle et accélère l'inférence jusqu'à 4x. Le batching dynamique regroupe les requêtes pour maximiser l'utilisation GPU. Forgit automatise ce pipeline avec des scripts CI/CD qui testent, optimisent et déploient les modèles automatiquement.

Oui, le fine-tuning reste pertinent pour les cas où un modèle généraliste ne suffit pas : terminologie métier spécifique, format de sortie contraint, ou performances supérieures requises sur une tâche précise. Les techniques LoRA et QLoRA permettent de fine-tuner des modèles de plusieurs milliards de paramètres avec un seul GPU en quelques heures, pour un coût réduit. Forgit réalise des fine-tunings pour ses clients en fintech, santé et legaltech, où la précision du vocabulaire métier est critique.

Forgit utilise PyTorch pour trois types de projets : le fine-tuning de modèles de langage avec LoRA/QLoRA pour adapter un LLM à un domaine métier, la computer vision (détection d'objets, OCR, classification d'images) pour des cas industriels et retail, et les modèles custom de prédiction ou de détection d'anomalies. Chaque modèle est versionné avec MLflow, évalué avec des benchmarks reproductibles, et déployé via un pipeline CI/CD automatisé. Le monitoring en production détecte le drift et déclenche le retraining quand nécessaire.