Température LLM et Top-p expliqués : Comment les modèles d’IA choisissent leur prochain mot
La température et le top-p sont les deux paramètres qui déterminent le degré de prévisibilité ou de diversité des réponses d’un modèle d’IA. Nous avons simulé les calculs derrière eux avec un exemple de jouet afin que vous puissiez voir exactement l’effet de chaque paramètre sur les choix du modèle.
- Un modèle produit une probabilité pour chaque prochain jeton possible, puis en échantillonne un.
- La température remodèle ces probabilités : les valeurs faibles les accentuent, les valeurs élevées les aplatissent.
- Top-p ne conserve que les jetons les plus probables qui atteignent ensemble un seuil de probabilité.
- Utilisez une température basse pour l’extraction et le code, modérée pour le chat et modifiez un paramètre à la fois.
Posez deux fois la même question à un modèle d’IA et vous obtiendrez peut-être deux réponses différentes. Demandez-lui d’extraire une date d’une facture et vous voulez à chaque fois la même réponse. Demandez-lui dix idées de slogans et vous voulez de la variété. Les paramètres qui contrôlent ce compromis sont température et top-p, et ils comptent parmi les options les plus mal comprises de toute API d’IA.
Nous ne pouvions pas inspecter les probabilités internes d’un modèle commercial, nous avons donc construit une petite simulation Python des mathématiques d’échantillonnage standard, en utilisant des scores inventés pour quatre mots candidats. Tous les chiffres ci-dessous proviennent de cette simulation. Les modèles réels choisissent parmi des dizaines de milliers de tokens, et les fournisseurs peuvent implémenter les détails différemment, mais le comportement est en principe le même.
Comment un modèle choisit le mot suivant
À chaque étape, un grand modèle de langage génère un score, appelé logit, pour chaque jeton de son vocabulaire. Une fonction appelée softmax transforme ces scores en probabilités qui totalisent 1. Le modèle échantillonne ensuite un jeton en fonction de ces probabilités, l’ajoute au texte et répète. La température et le top-p modifient les probabilités avant cette étape d’échantillonnage.
Notre exemple de jouet
Imaginez l’invite “La capitale de la France est”. Nous avons attribué à quatre candidats les mots suivants ces scores :
logits = {"Paris": 5.0, "Lyon": 3.0, "London": 2.5, "banana": 0.0}
Paris est clairement favorisé, Lyon et Londres sont des erreurs qui semblent plausibles, et la banane est un non-sens. Un modèle réel attribuerait également une certaine probabilité à des milliers d’autres jetons.
Température : affûtage ou aplatissement
La température divise chaque score avant que softmax ne soit appliqué. Diviser par un petit nombre exagère les écarts entre les scores ; diviser par un grand nombre les réduit. Voici les probabilités produites par notre simulation :
| Température | Paris | Lyon | Londres | banane |
|---|---|---|---|---|
| 0.2 | 1.000 | 0.000 | 0.000 | 0.000 |
| 0.7 | 0.921 | 0.053 | 0.026 | 0.001 |
| 1.0 | 0.817 | 0.111 | 0.067 | 0.006 |
| 1.5 | 0.672 | 0.177 | 0.127 | 0.024 |
| 2.0 | 0.576 | 0.212 | 0.165 | 0.047 |
À la version 1.0, la propre distribution du modèle est utilisée sans modification. À 0,2, Paris obtient pratiquement toutes les probabilités. A 2,0, Paris chute à 58%, et même la banane monte à près de 5%. La température n’ajoute pas de connaissances ou de créativité au sens profond du terme. Cela ne fait que modifier la volonté du modèle de choisir des options moins probables, ce qui peut signifier une formulation plus récente ou simplement plus d’erreurs.
À quoi ressemble l’échantillonnage
Les probabilités sont abstraites, nous avons donc prélevé 1 000 échantillons à trois températures, en utilisant une graine aléatoire fixe :
T=0.2 {'Paris': 1000, 'Lyon': 0, 'London': 0, 'banana': 0}
T=1.0 {'Paris': 810, 'Lyon': 117, 'London': 70, 'banana': 3}
T=2.0 {'Paris': 607, 'Lyon': 202, 'London': 146, 'banana': 45}
À une température de 2,0, environ 4 réponses sur 10 citent la mauvaise ville, et 45 sur 1 000 répondent « banane ». Rappelez-vous maintenant qu’une vraie réponse comporte des centaines de jetons. Une petite chance d’un choix étrange à chaque étape s’additionne, et un mauvais jeton au début d’une phrase peut envoyer le reste de la réponse dans la mauvaise direction. C’est l’une des raisons pour lesquelles les températures élevées rendent les hallucinations plus probables.
Température 0 et déterminisme
À température 0, les calculs seraient divisés par zéro, donc les API le traitent comme « toujours choisir le jeton le plus probable », appelé décodage gourmand. Cela rend la sortie beaucoup plus reproductible, mais en pratique pas parfaitement identique à chaque fois. Les modèles hébergés peuvent varier légèrement en raison de la manière dont les calculs sont regroupés et parallélisés sur le matériel du fournisseur, et les modèles sont mis à jour au fil du temps. Certaines API proposent un paramètre de départ pour une meilleure répétabilité. Traitez la température 0 comme “hautement constante”, et non comme une garantie.
Astuce : Le décodage gourmand n’est pas toujours la meilleure solution, même pour les tâches factuelles. Il peut rester bloqué en répétant des phrases dans de longues sorties. Pour un texte long, une température basse mais non nulle, telle que 0,2 à 0,4, se lit souvent plus naturellement tout en restant concentré.
Top-p (échantillonnage du noyau)
Top-p adopte une approche différente. Il trie les jetons du plus probable au moins probable, conserve le plus petit groupe dont la somme des probabilités est d’au moins p, rejette le reste et renormalise. Appliqué à nos probabilités de température-1,0 :
top_p=0.5 {'Paris': 1.0}
top_p=0.9 {'Paris': 0.881, 'Lyon': 0.119}
top_p=0.99 {'Paris': 0.821, 'Lyon': 0.111, 'London': 0.067}
A 0,5, Paris couvrait déjà à lui seul plus de la moitié de la probabilité, c’était donc la seule option. A 0,9, Lyon rejoint. Même à 0,99, la banane était coupée. C’est la force de top-p : il supprime la longue traîne de jetons improbables qui causent des bêtises, tout en s’adaptant à la situation. Lorsque le modèle est confiant, peu de jetons survivent ; lorsque de nombreuses continuations sont raisonnables, davantage survivent.
Top-k et min-p
- Top-k conserve un nombre fixe de jetons les plus probables, par exemple 40, quelles que soient leurs probabilités. C’est simple mais ne s’adapte pas : 40 peut être trop quand le modèle est sûr et trop peu quand il ne l’est pas.
- Min-p conserve les jetons dont la probabilité est au moins une fraction de la probabilité du jeton supérieur. Il est populaire dans les outils de modélisation open source et semble fonctionner bien à des températures plus élevées, bien que la recherche soit plus récente.
Toutes les API n’exposent pas toutes les options. Consultez la documentation de votre fournisseur pour connaître les paramètres disponibles et leurs valeurs par défaut.
Utiliser la température et le top-p ensemble
Les deux paramètres façonnent la même distribution, donc changer les deux en même temps rend le comportement difficile à prédire. Plusieurs fournisseurs recommandent d’ajuster l’un et de laisser l’autre à sa valeur par défaut. Une approche raisonnable consiste à régler d’abord la température, car il est plus facile de raisonner, et à atteindre le top-p uniquement si vous devez éliminer les rares bizarreries à une température plus élevée.
Paramètres suggérés par tâche
| Tâche | Température | Pourquoi |
|---|---|---|
| Extraction de données, classification | 0 à 0,2 | Une bonne réponse ; la cohérence compte |
| Génération de code | 0 à 0,3 | Les petits écarts brisent le code |
| Réponse aux questions avec les sources | 0,1 à 0,4 | Restez proche du texte fourni |
| Chat général, résumés | 0,5 à 0,8 | Ton naturel avec une concentration raisonnable |
| Brainstorming, écriture créative | 0,8 à 1,2 | La variété est le but |
Ce sont des points de départ tirés de pratiques courantes et non de règles. Les familles de modèles diffèrent, les valeurs par défaut diffèrent selon le fournisseur et certains modèles de raisonnement plus récents corrigent ou ignorent complètement ces paramètres. Testez avec vos propres invites. Des instructions claires, décrites dans notre guide d’ingénierie rapide, importent généralement plus que d’affiner ces chiffres.
Mythes courants
- “Une température plus élevée rend le modèle plus intelligent ou plus créatif.” Cela ne fait que rendre plus probables les jetons les moins probables. Parfois, c’est une variété bienvenue ; souvent, ce n’est que du bruit.
- “La température 0 signifie que la réponse est correcte.” Cela signifie la réponse la plus probable. Si le modèle est erroné, la température 0 le rend systématiquement erroné.
- “La température contrôle la longueur.” La longueur est contrôlée par l’invite et le réglage maximum des jetons, et non par la température.
- « Un niveau plus bas est toujours plus sûr. » Des paramètres très bas peuvent provoquer un texte répétitif ou guindé dans les sorties longues.
Tester les fonctionnalités de l’IA
L’échantillonnage rend les fonctionnalités de l’IA non déterministes, ce qui modifie la façon dont vous les testez :
- Exécutez chaque scénario de test plusieurs fois et mesurez le taux de réussite, plutôt que de vous fier à une seule exécution.
- Vérifiez les propriétés, pas les chaînes exactes : JSON valide, champs obligatoires présents, numéros correspondant à la source, aucun contenu interdit. C’est la même idée que les tests basés sur les propriétés.
- Fixez la température dans les tests pour qu’elle corresponde à la production et enregistrez-la avec les résultats.
- Réexécutez votre ensemble d’évaluation chaque fois que vous modifiez le modèle, l’invite ou les paramètres d’échantillonnage.
Le définir dans un appel API
La plupart des API de chat acceptent ces paramètres sous forme de champs dans le corps de la requête. Une requête typique pour une tâche d’extraction ressemble à ceci (une illustration, non exécutée pour cet article, et les noms de champs varient selon le fournisseur) :
{
"model": "your-model-name",
"temperature": 0.1,
"max_tokens": 300,
"messages": [
{"role": "user", "content": "Extract the invoice date and total as JSON: ..."}
]
}
Conservez ces valeurs dans la configuration, non dispersées dans le code, et enregistrez-les avec chaque requête à côté du nom du modèle. Lorsqu’une réponse semble étrange des semaines plus tard, connaître les paramètres exacts qui l’ont produite évite bien des suppositions. Si vous servez plusieurs fonctionnalités à partir d’un même modèle, attribuez à chaque fonctionnalité ses propres paramètres : le résumé et l’assistant de code veulent rarement la même température.
Pour conclure
La température et le top-p ne changent pas ce qu’un modèle sait ; ils changent à quel point il est aventureux lors du choix de chaque jeton suivant. Notre simulation de jouet a montré que la température de Paris glissait de certaine à 58 % et que le top-p coupait la queue absurde. Commencez bas pour les tâches avec une bonne réponse, augmentez la température uniquement lorsque vous voulez de la variété, ajustez un réglage à la fois et testez avec des analyses répétées.
Questions fréquentes
Que fait la température dans un LLM ?
Il redimensionne les probabilités du modèle avant l’échantillonnage. La basse température fait dominer le jeton le plus probable ; une température élevée répartit la probabilité vers des jetons moins probables, augmentant ainsi la variété et le risque.
Qu’est-ce que l’échantillonnage top-p ?
Top-p conserve le plus petit ensemble de jetons les plus probables dont la probabilité combinée atteint p, par exemple 0,9, et échantillonne uniquement ceux-ci. Il supprime la queue improbable.
La température 0 donne-t-elle la même réponse à chaque fois ?
Réponses généralement très similaires, mais non garanties. Les modèles hébergés peuvent varier légèrement en raison de leur mode d’exécution et sont mis à jour au fil du temps.
Dois-je changer la température et le remplissage en même temps ?
Généralement non. Les deux remodèlent la même distribution, c’est pourquoi de nombreux fournisseurs recommandent d’ajuster l’un et de laisser l’autre par défaut.
Quelle température dois-je utiliser pour le code ?
Une valeur faible, généralement comprise entre 0 et 0,3, car de petits écarts aléatoires peuvent casser le code. Testez toujours le code généré quel que soit le paramètre.
Continuez à apprendre
Besoin d’aide pour les tests, WordPress ou le référencement ?
Nous aidons les équipes à proposer de meilleurs logiciels et à développer leurs sites. Dites-nous sur quoi vous travaillez et nous vous proposerons une prochaine étape claire.
Plus de guides sur tests, IA et développement moderne
Vous avez apprécié cet article ? Choisissez un sujet et accédez directement à nos nouveaux didacticiels.
Stratégies de fragmentation RAG expliquées : fixe, chevauchement, phrase, récursif et en-têtes, mesurés
Stratégies de segmentation RAG comparées sur un document avec tiktoken 0.14 : taille fixe, chevauchement, regroupement de phrases, fractionnement ré…
Lire l'article →Développement logicielL'idempotence de l'API expliquée : clés d'idempotence et tentatives sécurisées, testées
L'idempotence de l'API expliquée avec un serveur et un client Python que nous avons exécutés : une réponse perdue provoquait une double charge sans …
Lire l'article →DevOpsGit Stash expliqué : enregistrer, appliquer, afficher et fichiers non suivis, testé
Git stash expliqué avec les commandes que nous avons exécutées sur Git 2.56 : pousser avec un message, fichiers non suivis, lister et afficher, appl…
Lire l'article →Tests logicielsExplication des tests par paires : comment toutes les paires réduisent 216 tests à 13, testé
Tests par paires expliqués avec un générateur que nous avons exécuté dans Python 3.13 : une vérification avec 216 combinaisons couvertes par 13 test…
Lire l'article →Automatisation des testsExplication des doubles de test : factice, stub, espion, simulé et faux, avec du code Python testé
Les tests doubles sont expliqués avec un exemple Python exécuté dans pytest 9.2 : factice, stub, espion, simulé et faux, quand les utiliser, les vér…
Lire l'article →Bases de données et SQLSQL COALESCE expliqué : valeurs par défaut, NULLIF, IFNULL vs ISNULL et Traps, testées
SQL COALESCE expliqué avec les requêtes que nous avons exécutées dans SQLite 3.50 : premières valeurs non nulles, chaînes vides, NULL en mathématiqu…
Lire l'article →Bases de données et SQLSQL Self Join expliqué : employé-manager, comparaisons de paires et de lignes, testés
L'auto-jointure SQL expliquée avec les requêtes que nous avons exécutées dans SQLite 3.50 : employé et manager, gagnant plus que le manager, paires …
Lire l'article →Développement logicielExplication de l'opérateur de propagation JavaScript : propagation vs repos, copies et pièges, testé
L'opérateur de propagation JavaScript expliqué avec le code que nous avons exécuté sur le nœud 24 : tableaux, objets, copies superficielles, paramèt…
Lire l'article →Développement logicielModule de collections Python expliqué : compteur, defaultdict, deque et plus, testé
Les collections Python expliquées avec le code que nous avons exécuté sur Python 3.13 : Counter, defaultdict, deque, approvedtuple, OrderedDict et C…
Lire l'article →Intelligence artificielleFenêtre contextuelle LLM expliquée : jetons, limites et comment en adapter davantage, mesurés
La fenêtre contextuelle LLM expliquée avec le nombre de jetons que nous avons mesurés à l'aide de tiktoken : mots par rapport aux jetons pour la pro…
Lire l'article →Développement logicielLes webhooks expliqués : comment ils fonctionnent et comment les recevoir en toute sécurité
Webhooks expliqués avec un récepteur et un expéditeur que nous avons exécutés en Python : push vs polling, signatures HMAC-SHA256, rejet des requête…
Lire l'article →DevOpsGit Cherry-Pick expliqué : copiez le commit dont vous avez besoin, en toute sécurité et testé
Git Cherry-pick expliqué avec les commandes que nous avons exécutées dans Git 2.56 : copie d'un correctif dans une branche de version, nouveaux hach…
Lire l'article →Automatisation des testsLes tests instantanés expliqués : comment cela fonctionne, quand cela aide et quand cela fait mal
Les tests d'instantanés expliqués avec une démo pytest et sirupeuse que nous avons exécutée : création d'instantanés, lecture de la différence après…
Lire l'article →Tests logicielsTests de mutation expliqués : pourquoi une couverture à 100 % n'a toujours pas détecté notre bug
Les tests de mutation expliqués avec un petit outil de mutation que nous avons construit et exécuté : 14 mutants, une suite de tests avec une couver…
Lire l'article →Intelligence artificielleL'injection rapide expliquée : comment les applications d'IA sont trompées et comment les défendre
L'injection rapide expliquée aux constructeurs : attaques directes et indirectes, pourquoi les filtres de mots clés échouent (notre test a bloqué 1 …
Lire l'article →DevOpsEnregistrements DNS expliqués : A, AAAA, CNAME, MX, TXT et TTL avec de vraies recherches
Enregistrements DNS expliqués avec les recherches que nous avons effectuées : fonctionnement de la résolution, A et AAAA, règles CNAME, MX et null M…
Lire l'article →DevOpsExplication des indicateurs de fonctionnalités : versions sécurisées, déploiements progressifs et hygiène des indicateurs
Les indicateurs de fonctionnalités expliqués avec une simulation de déploiement que nous avons exécutée : types d'indicateurs, déploiements en pourc…
Lire l'article →Automatisation des testsGénération de données de test avec Python Faker : données réalistes, reproductibles et sûres
Testez la génération de données avec Python Faker, exécutez et mesurez : amorçage de données répétables, paramètres régionaux, valeurs uniques, enre…
Lire l'article →Tests logicielsExplication des tests Shift-Left : recherchez les bugs plus tôt sans ralentir l'équipe
Les tests Shift-Left ont expliqué : ce que cela signifie, pourquoi les premiers défauts sont moins chers, les pratiques allant de l'examen des exige…
Lire l'article →Bases de données et SQLFonctions de chaîne SQL expliquées : TRIM, SUBSTR, REPLACE, CONCAT et nettoyage des données
Fonctions de chaîne SQL expliquées avec les requêtes que nous avons exécutées : concaténation et NULL, TRIM, UPPER et LOWER, SUBSTR et INSTR, REPLAC…
Lire l'article →Bases de données et SQLDéclencheurs SQL expliqués : déclencheurs AVANT et APRÈS, journaux d'audit et pièges
Déclencheurs SQL expliqués avec les déclencheurs que nous avons exécutés : AVANT ou APRÈS, ANCIEN et NOUVEAU, journaux d'audit, validation, mises à …
Lire l'article →Développement logicielModule Python JSON expliqué : vidages, chargements, types personnalisés et erreurs courantes
Le module Python JSON expliqué avec le code que nous avons exécuté : dumps et chargements, fichiers, conversions de types, dates et décimales, encod…
Lire l'article →Développement logicielModules ES vs CommonJS : fonctionnement des importations JavaScript dans Node.js, testé
Les modules ES et CommonJS expliqués avec le code que nous avons exécuté dans Node.js : syntaxe d'importation et d'exportation, exigences, liaisons …
Lire l'article →Développement logicielPython Regex expliqué : modèles, groupes, anticipations et pièges, testés
L'expression régulière Python expliquée avec les modèles que nous avons exécutés : recherche contre correspondance, recherche tout, groupes et group…
Lire l'article →Intelligence artificielleExplication de la sortie structurée LLM : obtenir un JSON fiable à partir de modèles d'IA
Sortie structurée LLM expliquée avec la validation que nous avons exécutée dans Pydantic : mode et schémas JSON, décodage contraint, façons dont les…
Lire l'article →DevOpsClés SSH expliquées : comment elles fonctionnent, ssh-keygen, Ed25519 et habitudes sûres
Clés SSH expliquées avec les clés que nous avons générées : clés publiques ou privées, ssh-keygen, Ed25519 vs RSA, empreintes digitales, phrases sec…
Lire l'article →DevOpsLa mise en cache HTTP expliquée : Cache-Control, ETag et 304 réponses, avec un test en direct
La mise en cache HTTP expliquée avec un petit serveur que nous avons exécuté : directives Cache-Control, max-age, no-cache vs no-store, revalidation…
Lire l'article →Automatisation des testsExplication des tests des contrats API : détectez les modifications majeures avant leur expédition
Les tests de contrat API ont été expliqués à l'aide d'une vérification de schéma que nous avons effectuée : ce qu'est un contrat, les contrats axés …
Lire l'article →Tests logicielsExplication des tests basés sur les risques : évaluez les risques, créez une matrice et testez ce qui compte
Les tests basés sur les risques sont expliqués étape par étape : identification des risques, notation de la probabilité et de l'impact, création d'u…
Lire l'article →Bases de données et SQLContraintes SQL expliquées : NOT NULL, UNIQUE, CHECK et FOREIGN KEY, testées
Les contraintes SQL expliquées avec les tests que nous avons exécutés : NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY et FOREIGN KEY, les failles NULL, …
Lire l'article →Bases de données et SQLFonctions de date SQL expliquées : ajout, comparaison et regroupement de dates sans bugs
Fonctions de date SQL expliquées avec les requêtes que nous avons exécutées : ajout d'intervalles, surprises de fin de mois, différences de dates, p…
Lire l'article →Développement logicielPython asyncio expliqué : asynchrone, attendre, rassembler et TaskGroup avec des timings réels
Python asyncio expliqué avec le code que nous avons chronométré : coroutines, wait, collect, TaskGroup, gestion des erreurs, délais d'attente, limit…
Lire l'article →Développement logicielDebounce vs Throttle en JavaScript : comment ils fonctionnent, quand les utiliser, testés
Debounce vs throttle en JavaScript expliqué avec les timings que nous avons mesurés dans Node.js : comment chacun fonctionne, implémentations simple…
Lire l'article →Développement logicielLes gestionnaires de contexte Python expliqués : l'instruction with, contextlib et les utilisations réelles
Les gestionnaires de contexte Python ont expliqué avec le code que nous avons exécuté : comment cela fonctionne, __enter__ et __exit__, contextlib.c…
Lire l'article →Intelligence artificielleTempérature LLM et Top-p expliqués : comment les modèles d'IA choisissent leur prochain mot
La température LLM et le top-p expliqués à l'aide d'une simulation que nous avons exécutée : comment les probabilités sont remodelées, ce que conser…
Lire l'article →DevOpsYAML expliqué : syntaxe, problème norvégien et autres pièges que nous avons testés
YAML expliqué avec un test d'analyseur : syntaxe de base, listes et cartes, le problème de la Norvège, les versions se transformant en flottants, co…
Lire l'article →DevOpsLes tâches Cron expliquées : syntaxe, horaires réels et erreurs qui les interrompent
Les tâches Cron expliquées avec les plannings que nous avons vérifiés : les cinq champs, les opérateurs, des exemples réels, le piège du jour du moi…
Lire l'article →Intelligence artificielleLes hallucinations de l'IA expliquées : pourquoi les modèles de langage inventent les choses et comment les réduire
Les hallucinations de l'IA ont expliqué : ce qu'elles sont, pourquoi les modèles de langage les produisent, les types courants, comment les réduire …
Lire l'article →DevOpsVariables d'environnement expliquées : fichiers .env, secrets et configuration correctement effectués
Variables d'environnement expliquées avec des exemples Python que nous avons exécutés : lecture et définition, pourquoi chaque valeur est une chaîne…
Lire l'article →Développement logicielLimitation du débit de l'API expliquée : algorithmes, en-têtes et gestion des erreurs 429
Limitation du débit de l'API expliquée avec une simulation que nous avons exécutée : compartiment de jetons, fenêtre fixe, fenêtre glissante, 429 ré…
Lire l'article →Automatisation des testsSe moquer en Python : unittest.mock, patch et les erreurs qui font mentir les tests
Moquerie en Python avec unittest.mock, testée : Mock et return_value, side_effect, correctifs où un nom est utilisé, spec et autospec, dates moqueus…
Lire l'article →Tests logicielsCouverture du code expliquée : couverture des lignes par rapport aux branches et ce que signifie réellement 100 %
Couverture du code expliquée avec une véritable exécution de cover.py : couverture des lignes, des branches et des conditions, lecture d'un rapport,…
Lire l'article →Bases de données et SQLDELETE vs TRUNCATE vs DROP dans SQL : différences, restauration et quand les utiliser
DELETE vs TRUNCATE vs DROP expliqué avec SQL testé : ce que chacun supprime, restauration, déclencheurs, réinitialisation d'identité, vitesse et en …
Lire l'article →Bases de données et SQLVues SQL expliquées : créez, utilisez et évitez les pièges, avec des exemples
Vues SQL expliquées avec les requêtes que nous avons exécutées : création d'une vue, résultats en direct, masquage des colonnes, performances, vues …
Lire l'article →Développement logicielInterface TypeScript vs Type : différences réelles, testées avec le compilateur
Interface TypeScript vs type, vérifiée avec le vrai compilateur : ce que les deux peuvent faire, ce qu'un seul peut faire, la fusion des déclaration…
Lire l'article →Développement logicielPython *args et **kwargs expliqués : fonctions flexibles avec des exemples clairs
Python *args et **kwargs expliqués avec le code que nous avons exécuté : emballage et déballage, ordre des paramètres, arguments de mot-clé uniqueme…
Lire l'article →Développement logicielFonctions Python Lambda : syntaxe, utilisations réelles et quand ne pas les utiliser
Fonctions Python lambda expliquées avec le code que nous avons exécuté : syntaxe, tri avec clé, carte et filtre, fermetures, piège de liaison tardiv…
Lire l'article →Intelligence artificielleQue sont les agents IA ? Comment ils fonctionnent, avec une simple boucle d'agent que vous pouvez exécuter
Que sont les agents IA ? Un guide simple sur la boucle d'agent, les outils, la mémoire et les garde-fous, avec une petite boucle Python que nous avo…
Lire l'article →DevOpsSurveillance vs observabilité : la vraie différence, avec les journaux, les métriques et les traces
Surveillance et observabilité expliquées : échecs connus et inconnus, journaux, métriques et traces, présentation pas à pas des incidents de paiemen…
Lire l'article →DevOpsVolumes Docker vs montages Bind : conserver les données du conteneur de la bonne manière
Volumes Docker et montages de liaison expliqués : pourquoi les données du conteneur disparaissent, volumes nommés, montages de liaison, tmpfs, exemp…
Lire l'article →Automatisation des testsTDD vs BDD : principales différences, une fonctionnalité conçue dans les deux sens et quand les utiliser
TDD vs BDD expliqué avec une fonctionnalité de remise construite dans les deux sens : refactor rouge-vert avec le code que nous avons exécuté, scéna…
Lire l'article →Tests logicielsTests d'acceptation utilisateur (UAT) : processus, liste de contrôle et exemples réels
Les tests d'acceptation des utilisateurs sont expliqués : qui les exécute, en quoi ils diffèrent du contrôle qualité, un processus en sept étapes, u…
Lire l'article →Bases de données et SQLExplication des valeurs SQL NULL : IS NULL, COALESCE, NULLIF et les pièges à éviter
Les valeurs SQL NULL expliquées avec les requêtes que nous avons exécutées : logique à trois valeurs, IS NULL, COALESCE, NULLIF, comment les agrégat…
Lire l'article →Bases de données et SQLInstruction SQL CASE WHEN : syntaxe, exemples réels et erreurs courantes
SQL CASE WHEN expliqué avec les requêtes que nous avons exécutées : formulaires simples et recherchés, ordre des conditions, pivots avec SUM, astuce…
Lire l'article →Développement logicielQu'est-ce que JWT ? Les jetons Web JSON expliqués avec un exemple fonctionnel
Qu’est-ce que JWT ? JSON Web Tokens expliqué : les trois parties, un jeton construit et falsifié dans le code que nous avons exécuté, JWT vs session…
Lire l'article →Développement logicielBoucle d'événements JavaScript expliquée : pile d'appels, microtâches et minuteries avec des exemples
La boucle d'événements JavaScript expliquée avec le code que nous avons exécuté : pile d'appels, files d'attente de tâches et de microtâches, pourqu…
Lire l'article →Développement logicielGénérateurs Python et rendement expliqués : économisez de la mémoire avec des exemples réels
Les générateurs Python et le rendement expliqués avec le code que nous avons exécuté : comment ils s'arrêtent et reprennent, les économies de mémoir…
Lire l'article →Intelligence artificielleQue sont les intégrations ? Vecteurs et similarité cosinus expliqués simplement
Que sont les intégrations ? Un guide en langage simple sur les vecteurs, la similarité cosinus et la recherche sémantique, avec un petit exemple que…
Lire l'article →DevOpsDéploiement Bleu-Vert vs Canary : différences, compromis et comment choisir
Explication du déploiement bleu-vert ou canari : comment chacun fonctionne, coût, risque et restauration, regroupement d'utilisateurs stable que nou…
Lire l'article →Automatisation des testsTests instables : quelles sont leurs causes et comment les corriger définitivement
Des tests irréguliers expliqués avec des démos que nous avons exécutées : les principales causes, comment en confirmer et en diagnostiquer une, les …
Lire l'article →Tests logicielsTests de charge vs tests de contrainte : différences, métriques et exemples k6
Explication des tests de charge et des tests de stress : ce que chacun prouve, les tests de pointe et de trempage, les métriques qui comptent, pourq…
Lire l'article →Tests logicielsScénario de test et scénario de test : principales différences, exemples et quand les utiliser
Scénario de test et scénario de test expliqués : des définitions claires, un tableau côte à côte, une fonctionnalité de réinitialisation de mot de p…
Lire l'article →Bases de données et SQLOptimisation des requêtes SQL : lire les plans d'exécution et corriger les requêtes lentes, avec des délais
Optimisation des requêtes SQL testée sur un million de lignes : lire les plans d'exécution, ajouter les bons index, corriger les filtres non Sargabl…
Lire l'article →Bases de données et SQLSQL UNION vs UNION ALL : différences, exemples et performances testées
SQL UNION vs UNION ALL expliqué avec les requêtes que nous avons exécutées : des doublons, les règles suivent toutes les deux, un véritable bug de d…
Lire l'article →Développement logicielTutoriel API JavaScript Fetch : GET, POST, gestion des erreurs et délais d'attente
Un didacticiel de l'API JavaScript Fetch testé sur un serveur local : GET et POST, pourquoi 404 ne lance pas, un assistant réutilisable, des chaînes…
Lire l'article →Développement logicielGestion des fichiers Python : lecture, écriture, CSV, JSON et pathlib avec exemples
Gestion des fichiers Python expliquée avec le code que nous avons exécuté : modes ouverts, avec lecture de fichiers volumineux, CSV, JSON, pathlib, …
Lire l'article →Développement logicielClasses et objets Python : didacticiel POO avec des exemples réels
Classes et objets Python expliqués avec le code que nous avons exécuté : __init__, méthodes, attributs de classe par rapport à l'instance, héritage,…
Lire l'article →Intelligence artificielleQu'est-ce qu'un grand modèle de langage ? Comment fonctionnent les LLM, expliqués sans battage médiatique
Qu’est-ce qu’un grand modèle de langage ? Les LLM expliqués en langage simple : jetons, intégrations, attention, formation, fenêtres de température …
Lire l'article →DevOpsCommandes Linux pour les débutants : le guide du terminal essentiel avec des exemples
Commandes Linux pour débutants, regroupées par tâche : navigation, fichiers, affichage des journaux, grep, tuyaux, autorisations, processus et archi…
Lire l'article →Automatisation des testsSelenium vs Playwright : principales différences, code comparé et lequel choisir
Comparatif Selenium vs Playwright : architecture, attente, support du navigateur et du langage, débogage, même test dans les deux outils, conseils d…
Lire l'article →Tests logicielsPartitionnement d'équivalence : technique de conception de tests expliquée avec des exemples concrets
Le partitionnement d'équivalence expliqué : comment trouver des partitions valides et invalides, des exemples concrets d'âges, de mots de passe et d…
Lire l'article →Tests logicielsGravité vs priorité dans les tests logiciels : différences, matrice et exemples réels
Explication de la gravité et de la priorité dans les tests logiciels : des définitions claires, une matrice à quatre voies avec des exemples, des éc…
Lire l'article →Bases de données et SQLTutoriel sur les sous-requêtes SQL : types, sous-requêtes corrélées et EXISTE avec des exemples
Un didacticiel sur les sous-requêtes SQL avec les requêtes que nous avons exécutées : les sous-requêtes scalaires, IN, FROM et SELECT, les sous-requ…
Lire l'article →Bases de données et SQLTransactions SQL et ACID expliquées : COMMIT, ROLLBACK et niveaux d'isolement
Transactions SQL et ACID expliquées avec un virement bancaire que nous avons effectué : COMMIT, ROLLBACK, points de sauvegarde, verrous, niveaux d'i…
Lire l'article →Développement logicielAide-mémoire sur les commandes Git : les commandes que vous utilisez réellement, avec des exemples
Une aide-mémoire sur les commandes Git regroupées par tâche : configuration, transfert, branches, télécommandes, cache, historique et annulation des…
Lire l'article →Développement logicielLes promesses JavaScript expliquées : alors, catch, Promise.all et les erreurs courantes
Les promesses JavaScript expliquées avec le code que nous avons exécuté : les états, les chaînes then et catch, la gestion des erreurs, Promise.all,…
Lire l'article →Développement logicielTutoriel du dictionnaire Python : méthodes, exemples et modèles courants
Un didacticiel de dictionnaire Python avec du code que nous avons exécuté : créer, lire et mettre à jour des dictés, des méthodes clés, des fusions,…
Lire l'article →Intelligence artificielleQu’est-ce que RAG ? La génération augmentée par récupération expliquée avec un exemple fonctionnel
Qu’est-ce que le RAG ? La génération augmentée par récupération expliquée étape par étape : indexation, segmentation, intégrations, récupération, un…
Lire l'article →DevOpsTutoriel Terraform pour les débutants : Infrastructure en tant que code du premier fichier aux modules
Un didacticiel Terraform pour les débutants : commencez sans compte cloud, apprenez l'initialisation, la planification et l'application, puis les va…
Lire l'article →DevOpsDocker vs Kubernetes : principales différences, comment ils fonctionnent ensemble et ce dont vous avez besoin
Docker vs Kubernetes expliqué : ce que chacun fait, la même application s'exécute avec les deux, Docker Compose et Swarm comparés, les dockershim ch…
Lire l'article →Automatisation des testsTutoriel Pytest pour les débutants : luminaires, paramétrage et exemples réels
Un tutoriel pytest pour les débutants avec des tests que nous avons exécutés sur pytest 9.2 : assertions, appareils, paramétrage, conftest, marqueur…
Lire l'article →Tests logicielsCycle de vie des tests logiciels (STLC) : 6 phases, critères d'entrée et de sortie, exemple
Le cycle de vie des tests logiciels expliqué : six phases STLC avec des critères d'entrée et de sortie, des livrables, un exemple de fonctionnalité …
Lire l'article →Développement logicielGit merge vs rebase : différences, exemples et quand utiliser chacun
Git merge vs rebase expliqué avec de vraies sorties de log, un tableau comparatif, la règle d'or du rebase et un flux de travail sûr pour les équipes.
Lire l'article →Développement logicielList comprehension Python : syntaxe, exemples et cas à éviter
La list comprehension Python expliquée : syntaxe, filtres, if-else, boucles imbriquées, temps mesurés et cas où une boucle for classique est préféra…
Lire l'article →Bases de données et SQLJointures SQL expliquées avec exemples (Inner, Left, Right, Full)
Comprenez les jointures SQL pas à pas avec des tables et requêtes d'exemple : INNER, LEFT, RIGHT, FULL, CROSS et SELF, plus erreurs courantes et con…
Lire l'article →