Des modèles IA sur mesure entraînés sur vos données, déployés et exploités par nous
Un modèle de frontière plus récent n'est pas automatiquement meilleur sur votre métier. Nous construisons un benchmark à partir de vos résultats réels, affinons un petit modèle ouvert sur vos données historiques, le mesurons sur un jeu de test réservé, le déployons dans votre cloud ou sur vos propres GPU et l'exploitons avec l'évaluation, la supervision et le rollback qui le gardent fiable. Coinbase a entraîné ainsi un modèle de fraude pour moins de 100 dollars qui a battu Opus 4.5 sur toutes les métriques et divisé la latence par deux. Nous apportons la même méthode à votre entreprise.
- Anthropic Partner Network 2026
- Six produits maison en production
- Stack Cloudflare-native, RGPD dès la conception
Pour qui
CTO, responsables data et produit d'entreprises qui ont une décision répétée et bien délimitée (fraude, tri du support, classification, extraction de documents, modération) et les données de résultat pour la mesurer, et qui veulent un coût par appel plus bas, des réponses plus rapides et des données qui ne quittent jamais leur infrastructure.
Ce que nous livrons
Benchmark sur résultats
Un jeu de test réservé construit à partir de vos résultats historiques, jamais utilisé pour l'entraînement, avec les métriques qui comptent pour le métier (précision, rappel, rappel pondéré par la valeur, latence), pour que chaque modèle et chaque mise à jour soient jugés sur votre tâche.
Fine-tuning et post-entraînement
Fine-tuning supervisé ou apprentissage par renforcement avec récompenses vérifiables (GRPO, LoRA) sur des modèles ouverts comme Qwen, Llama, Gemma ou Mistral, entraînés sur un seul GPU quand la tâche le permet.
Déploiement privé
Le modèle servi dans votre cloud, sur vos GPU ou sur Cloudflare Workers AI, avec une API que vos systèmes savent déjà appeler. La résidence des données dans votre région est garantie sur votre cloud ou vos GPU ; Workers AI n'offre pas d'inférence régionale.
LLMOps
Poids, prompts et politiques versionnés ensemble, évaluation de chaque checkpoint, supervision en production, contrôle des coûts et un rollback testé vers la version précédente.
Intégration sûre
Le modèle comme second avis à côté de vos règles et systèmes existants : une seule sortie structurée que votre code transforme en politique, avec un humain dans la boucle là où l'enjeu l'exige.
Documentation et passation
Pipeline d'entraînement, rapports d'évaluation et runbooks remis à votre équipe, pour que le modèle vous appartienne et que vous puissiez le réentraîner quand vos données changent.
Comment nous travaillons
- 1
Semaine 1 : données et référence
Nous auditons la décision, les données de résultat et le système actuel (règles, modèle ML ou API de frontière) et fixons la référence sur votre benchmark.
- 2
Semaines 2 à 3 : benchmark et prototype
Nous construisons le jeu d'évaluation, y mesurons les modèles de frontière et ouverts candidats et choisissons l'approche d'entraînement.
- 3
Semaines 4 à 6 : entraînement et évaluation
Nous affinons le modèle sur la partition d'entraînement, sélectionnons les checkpoints sur un jeu de validation et comparons le modèle final au système actuel sur le jeu de test réservé.
- 4
Semaines 7 à 8 : déploiement et passation
Mode fantôme ou test A/B en production, supervision, rollback et runbooks, puis passation à votre équipe.
Études de cas associées
- Aiteklabs rejoint l'Anthropic Partner Network
Nous avons été invités à rejoindre l'Anthropic Partner Network, ce qui donne à Aiteklabs un accès plus direct aux modèles de pointe pour les produits que nous construisons.
- ClopinetteAI : un agent IA natif Cloudflare signé Aiteklabs
ClopinetteAI est un projet lab d'Aiteklabs qui explore la mémoire, les outils, les entrées multimodales et l'infrastructure d'agents native Cloudflare.
- HoldsUp : nous avons créé un fact-checker pour les podcasts santé
HoldsUp confronte les affirmations des podcasts à la recherche publiée, une par une. Prochaine étape : la vérification payante pour les agents IA via x402 et MCP, sans jamais lire vos données de santé.
Questions fréquentes
- Un petit modèle affiné est-il vraiment meilleur que GPT ou Claude ?
- Sur une tâche délimitée et répétée avec des données de résultat, souvent oui. Coinbase a post-entraîné un modèle ouvert de 9 milliards de paramètres sur ses résultats de fraude pour moins de 100 dollars et il a battu Opus 4.5 de 7,5 points de précision, 12 points de rappel et 35 points de rappel pondéré par la valeur, avec moins de la moitié de la latence. Sur les tâches ouvertes, les modèles de frontière gagnent encore, et nous vous le disons quand c'est le cas.
- De quelles données avons-nous besoin ?
- Des exemples de la décision avec son résultat connu : transactions marquées fraude ou non, tickets avec leur catégorie finale, documents avec les champs extraits. Quelques milliers d'exemples suffisent généralement pour commencer. Nous gérons le déséquilibre des classes et le nettoyage des données.
- Où tourne le modèle ?
- Là où vos règles de données l'exigent : votre compte cloud, vos propres GPU ou un fournisseur européen de GPU, avec les données d'entraînement et d'inférence conservées dans la région que vous choisissez. Cloudflare Workers AI est une option quand la latence compte plus que la résidence des données, car il n'exécute pas l'inférence dans une région choisie.
- Pourquoi les mises à jour de modèles cassent-elles des choses ?
- Chaque nouvelle version d'un modèle se comporte différemment. Dans le benchmark de Coinbase, plusieurs mises à jour ont perdu plus de 20 points de rappel. Une évaluation basée sur les résultats le détecte avant la production, que vous utilisiez une API de frontière ou votre propre modèle.
- Combien ça coûte ?
- L'entraînement lui-même est bon marché : un seul GPU pendant quelques heures. L'essentiel du budget va au benchmark et à l'intégration. Comptez six à huit semaines pour un premier modèle en production, puis un plan mensuel si vous voulez que nous continuions à le réentraîner et à le superviser.
Parlez-nous de votre projet
Envoyez un brief court avec l'objectif, le calendrier et l'ordre de budget. Nous répondons sous un jour ouvré avec une première proposition.