Comment un assistant de codage GenAI a construit un outil de prévision
Dans un article précédent, nous avons montré comment les modèles de fondation de séries temporelles facilitent les prévisions pour les entreprises industrielles. Ces modèles d’IA générative peuvent produire des prévisions fiables sans entraînement, réglage ni expertise spécialisée. Ils sont open source et fonctionnent sur un ordinateur portable standard. Des prévisions précises deviennent donc abordables.
L’autre moitié de l’histoire
Cependant, les modèles de prévision ne constituent qu’une partie du défi.
Même lorsque le modèle est prêt à l’emploi, quelqu’un doit encore développer le logiciel qu'il va intégrer. Les données doivent être chargées, le modèle doit être appelé, les résultats doivent être traités et visualisés, et les cas limites doivent être gérés.
Jusqu’il y a peu, ce travail nécessitait des développeurs. Dans de nombreux projets, des équipes logicielles entières étaient mobilisées pour construire des pipelines et des applications de prévision.
Cela soulève une question pratique.
Si l’IA générative a réduit le coût des modèles de prévision, peut-elle également réduire le coût de développement des logiciels qui les intègrent ?
Entrée en scène des assistants de codage GenAI
Une nouvelle génération d’outils commence à répondre à cette question.
Des assistants de codage tels que Claude Code et Codex peuvent générer des logiciels directement à partir d’instructions en langage naturel. Au lieu d’écrire du code manuellement, les utilisateurs décrivent ce qu’ils souhaitent construire. L’assistant génère ensuite l’application en une fraction du temps.
Ces systèmes vont bien au-delà de la simple autocomplétion du code. Ils peuvent structurer des projets, gérer les dépendances et adapter l’architecture à mesure que les besoins évoluent.
Ils ne remplacent pas les développeurs, mais ils réduisent drastiquement le temps nécessaire pour passer de l’idée à un prototype fonctionnel.
Pour les entreprises qui explorent les prévisions, cela transforme le processus. Au lieu de nécessiter à la fois des data scientists et des ingénieurs logiciels, un seul expert métier disposant des bons outils peut souvent créer une première preuve de concept.
Ce que nous avons construit et à quelle vitesse
Chez Sirris, nous avons expérimenté ce changement de première main.
En trois mois, nous avons utilisé Claude Code pour construire un simulateur de prévision complet. Il ne s’agissait pas d’un projet simplifié. Ce simulateur prend en charge plusieurs modèles de fondation de séries temporelles, à la fois locaux et cloud, ainsi que plusieurs jeux de données, des métriques de performance, des paramètres configurables, des visualisations et des fonctions d’export.
3 mois de travail. Un outil de recherche digne de ce nom.
Nous avons ensuite mené une expérience.
Nous avons demandé à Claude Code d’analyser le simulateur et de produire une spécification pour une version simplifiée : un outil de prévision minimal lisant un fichier Excel quotidien contenant des données historiques de séries temporelles et générant une prévision pour le jour suivant à l’aide du modèle de fondation le plus performant issu de nos benchmarks.
Claude a produit la spécification.
Puis nous avons fait un choix osé. Nous avons ouvert une toute nouvelle session avec l’assistant. Aucune connaissance du simulateur. Un départ à zéro.
Nous lui avons fourni la spécification dans un seul prompt et lui avons demandé de construire l’outil de prévision.
Sept minutes plus tard, nous disposions d’un prototype fonctionnel.
Pas une esquisse. Pas du pseudocode. Une application complète qui charge les données, appelle le modèle et génère des prévisions. Avec un prompt supplémentaire, elle pouvait même être préparée pour une intégration dans un pipeline de production.
Ce qui avait pris 3 mois pouvait naître en 7 minutes ?
Soyons honnêtes, le prototype en sept minutes n’est pas équivalent au simulateur développé en trois mois. Le simulateur est un outil de recherche complet doté de nombreuses fonctionnalités. Le prototype est volontairement minimal et se concentre sur une seule tâche.
Mais c’est précisément l’objectif. La plupart des entreprises qui explorent la prévision n’ont pas besoin d’une plateforme de recherche complète. Elles ont besoin d’une preuve de concept qui réponde à une question simple : cela fonctionne-t-il avec nos données ?
Jusqu’à récemment, répondre à cette question nécessitait des semaines de développement et une équipe dédiée. Aujourd’hui, cela peut être fait en quelques minutes.
Pour autant, nos trois mois de travail n’ont pas été perdus. Ils ont permis de définir la spécification : quel modèle utiliser, comment structurer le pipeline et quels paramètres sont déterminants. L’expertise métier reste essentielle pour garantir la qualité du résultat. L’assistant de codage supprime le goulot d’étranglement de l’implémentation.
Les conséquences
Considérez le parcours typique d’une entreprise industrielle qui explore la prévision. Tout d’abord, la direction doit valider l’investissement. Ensuite, une équipe de data science analyse les données, sélectionne des approches de modélisation et construit des pipelines. Des mois peuvent s’écouler avant l’apparition du premier résultat.
Considérez maintenant l’alternative.
Un expert métier disposant d’un assistant de codage décrit le problème. En quelques minutes ou quelques heures, un prototype fonctionnel s’exécute sur sa machine. Si les résultats sont prometteurs, la solution peut être affinée. Dans le cas contraire, l’expérimentation n’aura coûté qu’un après-midi au lieu d’un trimestre.
Une ingénierie rigoureuse reste nécessaire pour passer en production. Mais la phase d’exploration passe de plusieurs mois à quelques jours. Les entreprises peuvent tester plusieurs idées de prévision au lieu de s’engager dans un seul projet d’envergure.
Deux éléments ont changé.
Les modèles de fondation de séries temporelles open source offrent désormais une précision de prévision comparable à celle des solutions industrielles coûteuses, sans entraînement ni expertise en machine learning. Parallèlement, les assistants de codage peuvent transformer une description en langage naturel en un prototype de prévision fonctionnel en quelques minutes.
Ensemble, ces avancées réduisent considérablement le coût de la prévision. Des problématiques auparavant trop coûteuses à explorer, comme la prévision de la consommation d’énergie d’un bâtiment unique ou la prévision de la demande pour des produits de niche, deviennent soudainement viables.
Si vous disposez de données de séries temporelles, vous pouvez commencer à prévoir bien plus tôt que vous ne le pensez.
Découvrez l’ensemble de la série
Cet article fait partie d’une série en trois volets sur l’IA générative appliquée à la prévision de séries temporelles :
Intro : Vos opérations génèrent des données. Les utilisez-vous déjà pour faire des prévisions ?
Article 1 : L’IA générative rend la prévision accessible
Article 2 : Du prompt au prototype en 7 minutes
Découvrez-le vous-même en 3 heures
Participez à la masterclass Sirris sur la prévision de séries temporelles avec la GenAI. Aucun codage requis. Aucune expérience préalable en ML n’est nécessaire.
Vous repartirez avec une approche pratique étape par étape que vous pourrez appliquer directement à vos propres données. Presque gratuit pour les entreprises flamandes grâce à la subvention VLAIO.
