[ testimonials.index ]
Des retours sur les programmes Génie Logiciel ML, NLP et Mentorat Équipes — avec des détails sur ce qui a fonctionné et ce qui aurait pu être amélioré.
Accueil58
participants depuis 2023
4,6 / 5
satisfaction moyenne
100%
cohortes livrées dans les délais
3
programmes actifs
[ avis.participants ]
Claire Meylan
Ingénieure logicielle — Lausanne
Le programme Génie Logiciel ML m'a permis de structurer proprement des projets que j'avais tendance à organiser de façon un peu improvisée. La partie sur les tests pour code stochastique était la plus utile — c'est quelque chose qu'on ne trouve pas facilement documenté ailleurs. Les révisions de dépôts étaient précises et honnêtes, pas juste des encouragements.
[ programme.01 · juin 2025 ]
Thomas Fuentes
Chercheur NLP — Genève
J'avais une connaissance théorique des transformers, mais très peu de pratique sur les systèmes RAG complets. Le parcours NLP couvre bien les deux niveaux. La section sur l'évaluation et la documentation des modes d'échec était vraiment bien conçue. Les heures de bureau m'ont aidé à débloquer deux problèmes que j'avais mis de côté. Un programme dense, prévoir du temps.
[ programme.02 · mai 2025 ]
Marc Besson
Lead ingénieur ML — Berne
Nous avons engagé Kernelia pour le Mentorat Équipes avec cinq personnes de notre groupe de recherche. Ce qui a fonctionné : les ateliers sur la conception d'expériences ont changé la façon dont nous formulons nos hypothèses. La revue finale de nos deux expériences internes était dense mais très utile. Revenu avec des notes concrètes sur ce qu'on avait fait de travers.
[ programme.03 · avril 2025 ]
Aurélie Noyer
Data engineer — Zürich
Bonne expérience globale avec le programme Génie Logiciel ML. Le syllabus était exactement ce qui était annoncé. J'aurais aimé un peu plus d'exemples sur les environnements Conda vs pip, mais les révisions compensaient en grande partie. Les retours sur mon troisième dépôt m'ont signalé des problèmes que je n'aurais pas repérés seule.
[ programme.01 · juin 2025 ]
Jonas Perret
Ingénieur recherche — Fribourg
Le module de reproduction de travaux publiés dans le programme Équipes est ce qui m'a le plus marqué. On a reproduit un article que je pensais bien comprendre — et on a trouvé trois conditions implicites qui n'étaient pas mentionnées dans le texte. Ça change vraiment la façon dont on lit la littérature ensuite. Seul bémol : les vingt semaines passent vite.
[ programme.03 · mars 2025 ]
Sophie Favre
Développeuse backend — Neuchâtel
Ce que j'ai apprécié avec Kernelia, c'est que le calendrier a été respecté à la lettre. Pas de session décalée, pas de contenu modifié en cours de route. J'avais eu de mauvaises expériences avec des formations en ligne où les modules promis n'arrivaient jamais. Ici, ce qui est annoncé est livré. Le parcours NLP était exigeant mais bien dosé.
[ programme.02 · mai 2025 ]
[ etudes.de.cas ]
[ défi ]
Une ingénieure travaillant sur des modèles de classification texte rencontrait des résultats non reproductibles entre son environnement local et la CI. Les dépendances divergeaient selon les machines et les tests n'avaient aucune couverture sur le code stochastique.
[ approche ]
14 semaines de travail sur la gestion des dépendances, les fichiers de verrouillage et les chaînes CI. Le troisième dépôt a été construit autour de son projet réel, avec une stratégie de test adaptée à ses contraintes spécifiques.
[ résultat ]
À l'issue du programme, son pipeline se construisait de façon identique en local et en CI. Les tests de régression sur métriques ont détecté deux régressions lors des semaines suivantes. Durée : 14 semaines.
«La révision du deuxième dépôt m'a signalé un problème que j'avais contourné depuis six mois sans le résoudre vraiment.»
[ défi ]
Un chercheur NLP avait construit un prototype de service RAG fonctionnel, mais sans métriques formelles et sans documentation sur ses limites. Il ne savait pas comment mesurer objectivement ses performances ni expliquer ses modes d'échec.
[ approche ]
22 semaines incluant un module complet sur l'évaluation quantitative et la documentation des modes d'échec. Les heures de bureau hebdomadaires ont permis d'adapter les métriques à ses données spécifiques.
[ résultat ]
À l'issue du parcours, il disposait d'un rapport d'évaluation avec precision@k, recall et des cas de défaillance identifiés. La section sur les modes d'échec a été réutilisée dans une présentation interne. Durée : 22 semaines.
«La deuxième revue de conception a pointé des problèmes dans mes choix de chunking que je n'avais pas anticipés.»
[ défi ]
Une équipe de cinq chercheurs menait des expériences sans protocole formalisé. Les résultats étaient difficiles à comparer entre expériences, et la reproduction d'un travail publié avait échoué sans qu'ils sachent pourquoi.
[ approche ]
20 semaines avec 12 ateliers collectifs. Les ateliers sur la conception d'expériences et le raisonnement statistique ont été appliqués directement aux projets en cours de l'équipe. La reproduction d'un article a constitué le fil conducteur des semaines 9–11.
[ résultat ]
L'équipe a mis en place un template d'expérience commun. La revue finale a identifié trois biais de sélection dans leur expérience principale et deux conditions implicites dans l'article reproduit. Durée : 20 semaines.
«On a compris pourquoi notre tentative de reproduction avait échoué. C'était dans le papier, mais formulé de façon ambiguë.»
[ coordonnees ]
[ adresse ]
Rue Neuve 18
2300 La Chaux-de-Fonds, Suisse
[ horaires ]
Lundi – vendredi : 09h00 – 17h30
Fermé les week-ends et jours fériés suisses
[ contact ]
Écrivez-nous pour recevoir le syllabus complet et les informations sur la prochaine cohorte du programme qui vous intéresse.
Écrire à l'équipe