labs@atheron:~/work/aton-ai$ cat aton-ai.md
ATON AI
Entraîné sur nos propres cartes.
Aucun GPU infonuagique et aucune API hébergée pour ce qui compte. Nous entraînons sur nos propres cartes, réservons les derniers mois, consignons chaque lecture, et ne gardons un modèle que s’il gagne sur des données qu’il n’a jamais vues. Nous ne publions aucun chiffre sur leur comportement.
// ce que ça fait
- Entraîne des arbres à gradient amplifié sur le GPU, avec un réseau de neurones utilisé seulement s’il les bat sur les mêmes données réservées.
- Entraîne en continu : une plateforme à la fois, chaque intervalle d’une minute à une semaine.
- Rejoue les règles sur l’historique au GPU, mis en file depuis le portail d’équipe et réécrit par un relais.
- Étiquette les nouvelles avec un modèle à poids ouverts exécuté localement : événement, direction, urgence et sujet, sans API hébergée.
- Révise notre propre code avec des vérifications automatiques qui relancent les tests, une partie des mutations et les recherches de secrets toutes les quelques heures.
// comment nous l’avons bâti
- Les six derniers mois sont réservés, et chaque lecture est consignée : un résultat ne peut pas être ajusté sur eux en douce.
- Un régulateur limite la charge de la carte principale pendant que quelqu’un travaille au poste, et ne laisse jamais une tâche suspendue.
- Les données d’entraînement sont copiées sur un disque local puis sur du stockage rapide pour une exécution : une exécution n’attend jamais le réseau.
- Le travail lourd passe par un seul verrou à l’échelle de la machine : deux tâches ne se disputent jamais la même carte ni le même disque.
- L’assistant du portail d’équipe roule sur un modèle de pointe et n’a volontairement aucun outil : il lit, rédige et résume.
// son ampleur
- matériel
- Nos propres cartes : une pour les modèles, une pour le modèle de langage
- données réservées
- Les six derniers mois, chaque lecture consignée
- intervalles
- D’une minute à une semaine, plateforme par plateforme
- GPU infonuagiques
- Aucun
// technologies
- Python
- XGBoost
- PyTorch
- CUDA
- Hugging Face transformers
- TypeScript
// où ça en est
L’entraînement est en pause le temps de terminer le chantier en cours. Aucun modèle n’est publié, aucun ne négocie d’argent réel, et nous ne publions aucun chiffre sur leur comportement. Les stratégies et les poids sont privés et le restent.
// un projet comparable
- Réalisation
- ≈ 85 500 USD à 131 000 USD, en 20 semaines au plus121 700 $ CA à 186 100 $ CA
- Hébergement
- ≈ 520 USD par mois740 $ CA par mois
- Exploitation de l’IA
- ≈ 176 USD par mois250 $ CA par mois
- Soutien
- ≈ 2 500 USD par mois3 565 $ CA par mois
- Matériel
- ≈ 47 800 USD à 197 000 USD68 000 $ CA à 280 800 $ CA
Les prix dans votre devise sont des estimations au taux du jour de la Banque du Canada. Toute la facturation se fait en CAD ou en USD.
l’effort qu’il demande
- Développement
- 405 à 620 h
- Ingénieur en apprentissage automatique
- 171 à 262 h
- Ingénieur DevOps
- 86 à 132 h
- Ingénieur principal
- 79 à 121 h
- Ingénieur assurance qualité
- 58 à 88 h
- En tout
- 979 à 1501 h
ce que ce prix couvre
Une plateforme d’entraînement et d’évaluation en un seul projet : la chaîne de données, l’entraînement et la simulation au GPU, le banc d’évaluation, et le service local des modèles. Le matériel GPU est chiffré avec, sur sa propre ligne.
Une estimation pour un projet comme celui-ci, calculée à partir de notre grille pendant que vous lisez. Ce n’est pas une offre de prix. La vôtre change avec votre portée, et nous en rédigeons une vraie après un appel.
Ouvrir dans l’estimateur →// les autres
Les autres projets.
// démarrer
Envie du même genre?
La même équipe, les mêmes tests, le même soin. Dites-nous ce qu’il vous faut, ou chiffrez-le vous-même d’abord.