K
Kili Technology
Payant
La plateforme française d'annotation et de préparation des données d'entraînement IA.
Siège : FranceHébergement : Union européenne
Logiciels Plateformes IA / Machine Learning & MLOps en SaaS
Derrière chaque application d'intelligence artificielle se cache une chaîne de production : préparer les données, entraîner et évaluer des modèles, les déployer, puis les surveiller en conditions réelles. Cette sous-catégorie réunit les plateformes de machine learning et de MLOps qui outillent cette chaîne, ainsi que les briques spécialisées d'annotation, de test et de suivi des modèles. Elle s'adresse autant aux data scientists qu'aux équipes qui veulent industrialiser l'IA sans tout reconstruire.
Le marché se répartit en plusieurs familles. Les plateformes tout-en-un comme Dataiku, DataRobot ou H2O.ai couvrent l'ensemble du cycle, de la préparation des données au déploiement, avec une part d'automatisation (AutoML). Les grands clouds proposent leurs propres environnements managés : Vertex AI chez Google, SageMaker chez Amazon, Azure Machine Learning chez Microsoft, étroitement liés à leur infrastructure. À côté, des briques ciblées se sont imposées : Kili Technology pour l'annotation des données d'entraînement, Giskard pour le test et l'évaluation des modèles, Weights & Biases pour le suivi des expériences. Enfin, l'open source occupe une place centrale avec MLflow et Kubeflow, déployables sur n'importe quelle infrastructure.
Côté souveraineté, la situation est contrastée. Les grands clouds et la plupart des plateformes tout-en-un relèvent d'éditeurs américains soumis au Cloud Act, même lorsqu'ils offrent une résidence des données en Europe. Deux cas méritent une lecture attentive : Dataiku et Hugging Face ont des racines françaises fortes (R&D en France pour l'un, fondateurs français pour l'autre) mais restent des sociétés contrôlées et incorporées aux États-Unis, ce qui les distingue d'un acteur réellement souverain. À l'inverse, des éditeurs français comme Giskard, Kili Technology ou Craft AI proposent des solutions maîtrisées sur le territoire, et les outils open source comme MLflow ou Kubeflow peuvent être auto-hébergés sur un cloud souverain français, ce qui garde données et modèles sous contrôle.
Le bon choix dépend du besoin : une plateforme intégrée pour aller vite, une brique spécialisée pour un maillon précis, ou une stack open source auto-hébergée pour maximiser le contrôle. Pour une organisation soumise à des exigences réglementaires ou manipulant des données sensibles, l'auto-hébergement d'outils open source sur infrastructure souveraine, ou le recours à un éditeur européen, offre le meilleur compromis entre capacités et maîtrise.
SaaSTeaser indique pour chaque fiche l'éditeur, le pays d'hébergement et le badge de souveraineté, afin de distinguer ce qui relève d'une racine française marketing de ce qui relève d'un contrôle réellement européen.
1 logiciel affiché
Questions fréquentes sur les logiciels Plateformes IA / Machine Learning & MLOps
Quelle plateforme MLOps choisir pour garder ses données en France ?
Les outils open source comme MLflow ou Kubeflow, auto-hébergés sur un cloud souverain français, offrent le meilleur contrôle. Côté éditeurs, des acteurs français comme Giskard, Kili Technology ou Craft AI permettent de rester sur une infrastructure maîtrisée.
Dataiku est-il une entreprise française ?
Dataiku a été fondé par des Français et conserve sa R&D en France, mais son siège est à New York et son capital est contrôlé par des fonds américains, avec une introduction en Bourse aux États-Unis. Ses racines sont françaises, son contrôle ne l'est pas.
Qu'est-ce que le MLOps ?
Le MLOps désigne l'ensemble des pratiques et outils pour industrialiser le cycle de vie des modèles de machine learning : préparation des données, entraînement, déploiement, suivi et mise à jour, à la manière du DevOps pour le logiciel.
Quelle différence entre une plateforme tout-en-un et une brique spécialisée ?
Une plateforme comme Dataiku ou DataRobot couvre tout le cycle IA dans un seul outil, tandis qu'une brique spécialisée (Kili pour l'annotation, Giskard pour le test, Weights & Biases pour le suivi) traite un maillon précis, à combiner avec d'autres.
Peut-on faire du machine learning sans dépendre d'un cloud américain ?
Oui. En auto-hébergeant des outils open source comme MLflow ou Kubeflow sur un cloud souverain français, ou en s'appuyant sur des éditeurs européens, on peut couvrir l'essentiel du cycle sans dépendance à un fournisseur hors UE.