{"version":"1.0","type":"rich","provider_name":"Acast","provider_url":"https://acast.com","height":250,"width":700,"html":"<iframe src=\"https://embed.acast.com/$/67a716499c6f7f7f280da15b/6a1e08220a986a85da6e6f42?\" frameBorder=\"0\" width=\"700\" height=\"250\"></iframe>","title":"De 15 à 90 % de fiabilité sur vos agents IA grâce au context engineering, Claire Gouze","thumbnail_width":200,"thumbnail_height":200,"thumbnail_url":"https://open-images.acast.com/shows/67a716499c6f7f7f280da15b/1780350992993-78ef3827-2c68-4866-9113-221d47a91091.jpeg?height=200","description":"<p>Tes features IA en production ne donnent pas la fiabilité espérée et ton réflexe naturel c'est d'améliorer les prompts et complexifier le harness. Mais si le sujet était ailleurs ?</p><p><br></p><p><strong>Claire Gouze</strong> est la cofondatrice et CEO de <a href=\"https://getnao.io\" rel=\"noopener noreferrer\" target=\"_blank\">nao Labs</a> où elle construit le premier agent open source dédié à l'analyse de données.</p><p>Sur ses propres agents, elle est passée de&nbsp;15 % à 90 % de fiabilité&nbsp;grâce au context engineering.</p><p><br></p><p>Dans cet épisode, elle explique :</p><p><br></p><ul><li>Pourquoi un agent qui échoue est souvent le reflet d'ambiguïtés que ton équipe n'a jamais clarifiées sur sa propre data.</li><li>La méthode concrète pour mesurer la fiabilité d'un agent en production : tests unitaires, ordres de grandeur réalistes, et ce qu'il faut tester en priorité.</li><li>Le shift de fond : passer d'un monde où l'on jugeait le code à un monde où l'on juge l'output, et ce que ça change dans notre façon de construire les produits.</li></ul><p><br></p><p>Pour recevoir mes analyses et ne pas manquer les prochains épisodes, pense à t'abonner à la newsletter sur <a href=\"https://justaclick.fr/newsletter/\" rel=\"noopener noreferrer\" target=\"_blank\">justaclick.fr</a></p>","author_name":"Terry Michel"}