ForkIt : Le système distribué a 1 milliards de séries \ ML on mobile

RSVP sur https://lu.ma/fork-it-community-2025-france-montpellier-meetup

Coming back from our latest events in Asia and North Africa, Fork it! returns to France for the third time! After a first full day event in Rouen and an amazing meetup in Paris, we’re now heading to Montpellier! It’s a new opportunity to bring tech enthusiasts from all backgrounds together for a moment of insightful discussions, experience sharing and networking.Want to meetup and chat with passionate tech lovers? Join us at Epitech on Tuesday, 27 May!
​A huge thanks to our partners Montpellier Tech Hub et Epitech
​We can’t wait to see you there!
​
Schedule

• ​​Visitor welcome
• ​​​Talk 1 : MCP 4 Data: quand votre AI parle à votre datalake
• ​​Talk 2: Le système distribué qui a survécu à 1 milliards de séries
• ​Talk 3: Embarquer votre modèle de machine learning dans votre app ?
• ​​​Networking cocktail

# ​Subject 1 by Roch Dardié

## ​MCP 4 Data: quand votre AI parle à votre datalake

​Et si votre AI favorite pouvait interroger directement votre datalake, Lakehouse, Datawarehouse ?
​Dans ce quick talk, nous vous présenterons en avant-première les dernières innovations de Hyperfluid : comment le data engineering et la BI se réinventent dans un monde que l’IA redessine en profondeur.

# ​Subject 2 by Alexandre Burgoni

## ​Le système distribué qui a survécu à 1 milliards de séries

​Dans la plupart des entreprises, Prometheus est la référence en matière de gestion des métriques. Il bénéficie d'une vaste communauté, et ce, en grande partie grâce à la CNCF. Mais que ce soit PromQL (Prometheus Query Language), le format des données ou Prometheus lui-même, il n'est pas parfait. Depuis quelques années, des alternatives ont émergé, promettant des performances améliorées, une meilleure gestion de la montée en charge et une consommation mémoire plus optimisée.
​Explorons ensemble un logiciel distribué capable de stocker et de calculer les métriques d'infrastructure de Clever Cloud (>150 millions de séries). Oubliez tout ce que vous savez sur Prometheus et les technologies associées, découvrons ensemble comment nous pouvons gérer autant de métriques tout en garantissant des temps de réponse faibles.

# ​Subject 3 by Hugo Gresse

## ​Embarquer votre modèle de machine learning dans votre app ?

​Comment exécuter des modèles d'apprentissage automatique sur téléphone ? Comment télécharger le modèle et les données supplémentaires ? Est-ce que cela fonctionne bien ? Même dans une application React Native ?
​Pl@ntNet dispose d'un modèle d'identification hors ligne/embarqué qui a été directement créé à partir de notre modèle de production côté serveur.
Nous avions besoin de télécharger le modèle, ainsi que les informations et les noms des espèces de plantes que nous ne voulions pas rendre facilement lisibles par d'autres. Mais nous souhaitions également disposer de données supplémentaires telles que des images d'illustration.
Nous avons eu quelques problèmes de mise en place, nous allons donc approfondir l'implémentation dans React Native avec un peu de code natif sur Android/iOS (java/swift).
​Enfin, est-ce que cela fonctionne bien ? Comment se compare-t-il à notre processus côté serveur ?

RSVP sur https://lu.ma/fork-it-community-2025-france-montpellier-meetup