Choisir son Stack IA : Frameworks, Outils et Infrastructure

# PyTorch : intuitif et Pythonic
import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Linear(784, 128),
    nn.ReLU(),
    nn.Linear(128, 10)
)
output = model(torch.randn(1, 784))

# JAX : fonctionnel et ultra-performant
import jax
import jax.numpy as jnp
from flax import linen as nn

class MLP(nn.Module):
    @nn.compact
    def __call__(self, x):
        x = nn.Dense(128)(x)
        x = nn.relu(x)
        return nn.Dense(10)(x)

# Agno : agent avec outils en 5 lignes
from agno.agent import Agent
from agno.models.anthropic import Claude

def analyze_csv(file_path: str) -> str:
    """Analyse un fichier CSV et retourne un résumé."""
    import pandas as pd
    df = pd.read_csv(file_path)
    return f"{len(df)} lignes, {len(df.columns)} colonnes. Colonnes : {list(df.columns)}"

agent = Agent(model=Claude(id="claude-sonnet-4-5"), tools=[analyze_csv])
agent.print_response("Analyse le fichier data.csv", stream=True)

# LlamaIndex : RAG en quelques lignes
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("Résume la politique de sécurité")

# Approche directe avec le SDK Anthropic
import anthropic

client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-sonnet-4-5-20250929",
    max_tokens=1024,
    messages=[{"role": "user", "content": prompt}],
    tools=tools,
)

LLM     : GPT-4o-mini (économique) + Claude Sonnet (qualité)
Orchestr: Agno (agents) ou SDK direct (simple)
Vector  : Chroma (dev) → Pinecone (prod)
Embed   : OpenAI text-embedding-3-small
Infra   : Vercel / Railway + API cloud
Monitor : Helicone

LLM     : Azure OpenAI (compliance) + Claude via API
Orchestr: Agno Team + AgentOS (agents) / LlamaIndex (RAG)
Vector  : Pinecone ou Qdrant (managed)
Embed   : Cohere embed-v4
Infra   : AWS/GCP + Kubernetes
Monitor : AgentOS metrics + Datadog

LLM     : Llama 4 (fine-tuné) + APIs pour comparaison
Orchestr: Code custom + évaluation rigoureuse
Vector  : Milvus (self-hosted)
Embed   : BGE-M3 (self-hosted)
Infra   : GPU cluster (A100/H100) + MLflow
Monitor : Weights & Biases + Phoenix