AI @ Qonto : shipper et évaluer l'IA en production
Détails
Aujourd'hui, faire un produit IA qui marche, c'est facile.
Faire un produit IA qui marche bien, qui se comporte
exactement comme prévu, c'est devenu un autre métier.
C'est le quotidien d'une équipe qui ship plusieurs produits IA en production, dans une fintech, pour de vrais clients.
Marianne Borzic Ducournau dirige l'équipe ML / Data Science produit de Qonto.
↳ 4 ans chez Qonto : d'abord à la tête d'une équipe data science orientée décision interne, aujourd'hui sur le produit client
↳ Une grande partie de sa carrière passée à San Francisco avant de rentrer en France
↳ Son équipe ne fait pas de la recherche : elle livre du ML directement dans le produit que les clients Qonto utilisent
Peu de fintechs ouvrent le capot sur la façon dont elles construisent et fiabilisent leur IA. Marianne va le faire.
Voici ce qu'on va couvrir :
1. ML "interne" vs ML "produit" : deux métiers distincts
→ La distinction que la plupart des boîtes confondent
→ Pourquoi une équipe ML produit n'est pas un lab de R&D
→ Ce que ça change concrètement dans la façon de prioriser
2. Zoom sur 4 produits IA en prod — 4 stacks différentes
→ OCR & extraction de factures : de la photo du reçu au virement pré-rempli
→ Réconciliation documents / transactions : le matching qui automatise la compta du client
→ Catégorisation temps réel : la brique fondatrice du cash management
→ L'analyste conversationnel : des milliers d'entreprises qui interrogent leurs données en langage naturel
3. Le vrai sujet : évaluer une IA qui ne répond jamais deux fois pareil
→ Pourquoi évaluer un modèle ML classique était simple, et un LLM ne l'est plus
→ Comment savoir qu'une IA "qui marche" marche vraiment
→ Pourquoi un environnement financier régulé ne laisse aucune marge sur cette question
4. Le métier de ML engineer a changé en 12 mois
→ Ce que font les MLE de Marianne aujourd'hui vs il y a un an
→ Pourquoi une équipe SWE + MLE est déséquilibrée sans l'un des deux
→ Ce que ça veut dire pour ta propre trajectoire dans la data et l'IA
🎒 Tu repartiras avec :
→ Une grille claire pour distinguer un produit IA "qui marche" d'un produit IA fiable
→ 4 patterns concrets de produits IA en prod, réutilisables sur tes propres cas
→ Une méthode pour penser l'évaluation dès la conception, pas après le bug
→ Une lecture honnête de l'évolution du métier ML, pour ne pas te faire dépasser
📺 Mercredi 3 juin 2026 — 12h00
Format : 60 min, masterclass + Q&A en direct