Parcours
Je m'appelle Ilan Da Silva. Je construis des systèmes d'intelligence artificielle depuis Liège. J'ai commencé tôt et par la technique : pendant mes études, j'ai intégré l'IA dans le logiciel de gestion d'un éditeur belge, en automatisant l'encodage de catalogues de plusieurs milliers de références.
En parallèle, j'ai entraîné de zéro mon propre modèle de langage de code, SmallCoder, avec le soutien du programme TPU Research Cloud de Google : un modèle de 303 millions de paramètres qui approche des modèles vingt fois plus gros sur la génération de code. Aujourd'hui, je conçois et déploie des systèmes d'IA internes en production pour des entreprises et des professions réglementées.
Mon approche
Je ne livre pas un chat dans une fenêtre. Je construis des systèmes qui vivent dans votre travail réel, connectés à vos outils et à vos dossiers. Trois principes guident tout ce que je fais : la confidentialité (vos données restent chez vous, hébergées en Europe), la traçabilité (chaque sortie est vérifiable) et la revue humaine (vous gardez la main sur les décisions qui comptent). Parce que j'ai entraîné un modèle de zéro, je sais ce qu'un système IA peut vraiment faire, et surtout ce qu'il ne faut pas lui confier les yeux fermés. C'est la différence entre intégrer l'IA et simplement ouvrir un outil générique à côté de Word.
Étude de cas 1, cabinet de conseil réglementé (anonymisé)
- Problème : le cabinet utilisait déjà un outil d'IA générique au quotidien, mais sans intégration à ses dossiers. Chaque tâche supposait de tout reconfigurer, la qualité dépendait de la personne, et la confidentialité n'était jamais garantie.
- Système livré : une plateforme d'IA interne agentique, organisée autour du dossier. Un orchestrateur répartit le travail entre des agents spécialisés (rédaction, échéances, lettres de mission, intégration des nouveaux clients, facturation), connectée à leur environnement documentaire, sur un réseau fermé hébergé en Europe, avec validation humaine à chaque étape.
- Impact : la rédaction est passée de plusieurs jours à un premier jet structuré immédiat, avec une qualité constante quelle que soit la personne, et des données qui ne quittent jamais l'environnement du cabinet.
Étude de cas 2, SmallCoder (modèle de langage)
- Problème : on considère qu'un petit modèle ne peut pas rivaliser avec les gros sur la génération de code.
- Système livré : l'entraînement de zéro d'un modèle de 303 millions de paramètres dédié au code, avec le soutien du programme TPU Research Cloud de Google.
- Impact : des performances de code à l'état de l'art pour sa catégorie, proches de Mistral 7B sur le benchmark HumanEval tout en étant environ vingt-trois fois plus petit, et un modèle repris et réutilisé par la communauté.