Là ou tout commence ...

Créer Jarvis : Pourquoi je poursuis toujours le rêve de 1956 (et pourquoi vous devriez me rejoindre)

"Faisons un bond de plus de 45 ans après être tombé amoureux de l'IA à l'âge de 11 ans... Aujourd'hui, nous avons des réseaux neuronaux massifs capables d'écrire de la poésie, de débattre de physique quantique et d'halluciner de fausses citations avec une assurance absolue."

En 1956, un groupe d'esprits brillants s'est réuni au Dartmouth College avec une idée délicieusement optimiste : ils pensaient qu'en passant deux mois à travailler ensemble, ils pourraient pratiquement résoudre le problème de l'intelligence artificielle.

Pourtant, une véritable Intelligence Artificielle Générale (AGI) — ce co-pilote fluide, conscient du contexte et capable de raisonner imaginé à Dartmouth — reste insaisissable.

Sommes-nous proches d'une vraie AGI ? Honnêtement ? Non, loin de là.
Est-ce que ça m'importe ? Pas le moins du monde. Parce que tenter de la créer malgré tout est la plus passionnante des aventures d'ingénierie de notre époque.

Du traitement d'image aux méandres de l'IT d'entreprise

Mon histoire avec l'IA ne s'est pas faite en ligne droite. J'ai commencé sur le terrain au début des années 90 en me spécialisant dans la vision par ordinateur. Mais l'hiver de l'intelligence artificielle est passé par là : les promesses exagérées ont cédé la place à la réalité, et le secteur s'est assoupi. J'ai donc bifurqué vers l'architecture d'entreprise, explorant les grands systèmes d'information — SAP, SharePoint, l'ECM — pendant plus de deux décennies.

Ce détour n'était pas une perte de temps. Il m'a appris comment fonctionnent réellement les entreprises, la gouvernance de données et les architectures critiques à grande échelle. Quand je suis revenu à plein temps dans l'IA en 2014, j'avais cette double culture : la théorie des systèmes complexes et la réalité opérationnelle du terrain (finance, défense, énergie, et aujourd'hui Swift).

Être sur le spectre de l'autisme (Asperger) me donne un rapport assez brut et direct avec la technologie. Je ne fais pas dans le battage médiatique ; ce qui m'intéresse, ce sont les systèmes, l'architecture et l'exécution pratique. Sur ma chaîne YouTube (Le Lab IA), je décortique les LLM locaux, les frameworks d'agents et les architectures d'entreprise. Mais au fond, j'ai toujours gardé un fantasme ultime de geek : construire un vrai Jarvis, pleinement opérationnel.

> Pas simplement une fenêtre de chat de plus où vous tapez : "S'il te plaît, formate ce JSON."

Je rêve d'un assistant IA personnel, hautement capable et conscient du contexte — un assistant qui gère des tâches du monde réel, dialogue avec des API complexes, fonctionne de manière efficiente (souvent en local) et agit comme une véritable extension de l'intelligence humaine.

L'aventure Kaonomi & M-A-R-I

Pour aller au-delà des discussions théoriques, je développe activement des bases ouvertes et pratiques pour cet écosystème :

• ➔ Kaonomi : Un projet conçu pour structurer, connecter et orchestrer les modules d'IA modernes, les outils d'entreprise et les modèles locaux au sein d'une architecture cohérente.
• ➔ M-A-R-I : Une exploration collaborative sur l'intelligence modulaire multi-agents et l'interaction homme-IA.

Ces projets ne sont pas conçus pour vendre un énième abonnement SaaS propriétaire. Ils existent pour répondre à une question fondamentale : Comment assembler toutes ces pièces de puzzle dispersées pour en faire une véritable plateforme d'assistance personnelle ?

Pourquoi nous avons besoin d'une communauté (et pourquoi vous devriez la rejoindre)

Créer un Jarvis digne d'Iron Man n'est pas un projet du week-end pour une seule personne — c'est un défi à l'échelle d'un écosystème. Cela nécessite :

1. Contrôle local & hybride : Garder les données sensibles en local tout en orchestrant des modèles cloud lorsque de lourdes capacités de calcul sont requises.
2. Contexte & Mémoire : Dépasser les simples injections de contexte statiques pour aller vers du cache sémantique, du RAG dynamique et de la mémoire d'état.
3. Utilisation d'outils concrète : Donner aux agents des limites d'exécution sûres et bien gouvernées pour interagir avec de vraies API et des flux de travail réels.