Le projet "Symfony AI in Practice" présente le développement d'un assistant d'écriture destiné aux adultes dyslexiques, construit avec le composant AI de Symfony. L'application permet aux utilisateurs de coller leur texte, de recevoir une analyse des erreurs, des explications sur les règles grammaticales associées, et même une lecture audio de ces explications, complétée par un chatbot pour des questions supplémentaires. L'ensemble de la configuration, y compris les agents et leurs prompts spécifiques, est centralisé dans un fichier ai.yaml, simplifiant l'intégration et la gestion des fonctionnalités d'IA.
L'utilisation du composant Symfony AI a permis une mise en place rapide de l'assistant, ne nécessitant que quelques minutes pour configurer l'environnement et installer le bundle. Les agents AI sont rendus injectables en tant que services Symfony, facilitant leur utilisation directe dans le code applicatif. Le processus de développement a consisté à intégrer progressivement les différentes fonctionnalités du composant AI, telles que la revue de texte structurée, une option de synthèse vocale, et un coach conversationnel, le tout sans nécessiter de framework frontend comme React.
Ce projet met en avant la capacité de Symfony AI à gérer la configuration des modèles d'IA, à permettre le changement de modèle sans modification du code PHP grâce à un routeur, et à fournir des outils de débogage puissants comme le profiler, qui enregistre chaque interaction avec l'IA. L'auteur souligne la facilité de test de ce composant et exprime sa volonté de l'utiliser à nouveau pour de futurs projets, notamment grâce à son intégration transparente dans l'écosystème Symfony.
L’auteur critique l’usage des chatbots, qu’il compare à une forme d’onanisme intellectuel ou de Guitar Hero créatif : amusant mais stérile, car il ne développe aucune compétence réelle. Il souligne que les utilisateurs, même en ayant la réponse sous les yeux, échouent à la restituer, illustrant l’absence d’apprentissage. L’analogie avec un plaisir solitaire et peu partageable renforce son rejet de cette pratique, qu’il juge à la fois inefficace et dénuée de valeur ajoutée.
Ploum admet avoir lui-même cédé à la tentation, en testant un chatbot pour générer des images, mais souligne l’absurdité de l’exercice : l’outil produit des résultats superficiels, comme une musculature exagérée imposée à un personnage, révélant ses biais. Il insiste sur le paradoxe où l’IA, présentée comme un gain de temps, exige en réalité un investissement disproportionné pour un résultat médiocre, à l’image d’un jardinier trop coûteux pour une petite pelouse.
Enfin, il généralise cette critique aux dynamiques managériales ou parentales, où déléguer une tâche simple à un "expert" (humain ou machine) s’avère contre-productif. Son ton mêle ironie et sérieux, dénonçant une mode technologique qui sacrifie l’effort personnel au profit d’une illusion de facilité, sans réel bénéfice durable.
Ce tutoriel explique comment créer des applications IA privées et auto-hébergées en utilisant Ollama et Laravel. Il aborde les préoccupations liées à la confidentialité des données et aux coûts variables des services d'IA tiers comme OpenAI. Ollama permet d'exécuter des modèles de langage open-source comme Llama, DeepSeek et Gemma sur vos propres infrastructures, offrant ainsi un contrôle total sur les données et les coûts. Le guide détaille les étapes pour installer Ollama, choisir les bons modèles en fonction de vos besoins et de votre matériel, et intégrer ces modèles dans une application Laravel via le package Laravel-Ollama. Un exemple concret de création d'un chatbot privé est également fourni.
Jérémy Buget partage son retour d’expérience sur la création d’un chatbot IA spécialisé dans l’inclusion socio-professionnelle, en s’appuyant sur un corpus de documents issus de La communauté de l’inclusion. Le projet utilise une architecture locale avec Ollama (modèle gpt-oss:20b), un script de crawling en Node.js pour récupérer les fiches d’information, une base PostgreSQL avec l’extension pgvector pour stocker et indexer les embeddings (768 dimensions) générés via Sentence Transformers (nomic-embed-text-v2-moe). Le chatbot fonctionne en vectorisant les questions utilisateurs, en recherchant les documents pertinents par comparaison vectorielle (similarité cosinus), puis en générant des réponses sourcées via un LLM, le tout encapsulé dans une API FastAPI et une webapp simple. L’objectif était d’explorer l’exploitation de l’IA pour un usage métier précis, en garantissant des réponses fiables et ancrées dans le corpus documentaires. Le code source est disponible sur GitHub. Une démonstration concrète de RAG (Retrieval-Augmented Generation) avec des outils open-source.
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Un retour d'expérience sur le prototypage d'un chatbot avec les outils de Facebook... Conclusion, il vaut mieux connaître avant les possibilités et impossibilités de ces outils
Tout est dans le titre
Titre amusant, mais l'article est très sérieux :)
Tout est dans le titre
Tout est dans le titre
Tout est dans le titre
Une bibliothèque PHP indépendante des frameworks (mais s'intégrant à eux) pour construire des chat bots