Modèles et agents s'appuient encore massivement sur Python.
Python reste le socle des pipelines IA et intégrations métier.
Python reste le langage d'orchestration de l'IA appliquée : données, entraînement léger, agents, evals et API.
Contexte de la semaine
Rust/Go gagnent en runtime, mais notebooks, SDK de modèles et frameworks d'agents restent Python-first.
Ce qui a change
- Typage et qualité : adoption accrue de pyright/mypy dans les repos ML.
- Empaquetage : uv/poetry accélèrent les environnements reproductibles.
- Production : patterns pour séparer expérimentation et serving stable.
Impact pour les equipes de developpement
Les équipes data/ML doivent professionnaliser l'ingénierie : tests, CI, versionnement des datasets et contrats d'inférence.
Recommandations pratiques
- Fixer les versions de dépendances et les lockfiles sur tous les projets.
- Séparer notebooks exploratoires et paquets importables.
- Automatiser les evals de prompts/modèles en CI nocturne.
- Exposer l'inférence via une API typée (FastAPI) avec limites de rate.
Points de vigilance
- Compatibilité Python 3.13+ dans les bibliothèques clés.
- Réglementation des données dans les pipelines d'entraînement.
- Coût des GPU vs inférence CPU/edge.
Conclusion: Python n'est pas qu'un prototype : c'est une couche produit si on l'aborde avec discipline d'ingénierie.