Journal de bord

Mon serveur est tombé pendant environ sept heures — incident chez l’hébergeur, rien à faire de mon côté. Le vrai problème : je l’ai découvert tard, parce que mon système d’alerte tournait… sur le serveur en panne. Un système de surveillance hébergé sur la machine qu’il surveille ne sert à rien le jour où ça compte.

Correctif le jour même : un « dead man’s switch » externe. Le serveur envoie un battement de cœur régulier à un service indépendant ; si le battement s’arrête, je suis alerté sur mon téléphone en quelques minutes.

Mise en place d’une orchestration où le modèle le plus capable planifie et contrôle, pendant que des modèles plus légers — et bien moins chers — exécutent les tâches simples en parallèle. Résultat : la qualité reste au niveau requis, la consommation chute.

Deux réglages appris en pratique : limiter le nombre d’agents travaillant en parallèle (au-delà, la coordination coûte plus qu’elle ne rapporte), et exiger des livrables incrémentaux plutôt qu’un gros résultat final — on détecte les dérives tôt.

Passe complète de sécurité sur le laboratoire : plus aucun mot de passe ni clé d’accès stocké dans ma base documentaire — tout est déplacé dans des coffres dédiés, hors de portée des outils d’IA. En complément, une sauvegarde chiffrée de l’infrastructure part chaque nuit vers un stockage séparé.

Pendant des semaines, ma base documentaire était synchronisée à la fois par un cloud grand public et par un système de versionnage. Mauvaise idée : les deux mécanismes se marchaient dessus. Doublons de fichiers en cascade, historique corrompu, et même de fausses suppressions de masse qu’il a fallu rattraper.

J’ai fini par trancher : abandon complet du cloud grand public sur cette base, un seul mécanisme de synchronisation, avec un garde-fou qui bloque toute disparition massive de fichiers.

Ma veille quotidienne (Supply Chain et IA) collectait, filtrait et résumait des dizaines d’articles avec mon modèle principal — efficace, mais coûteux. J’ai rebâti la chaîne : un modèle léger fait la collecte, le tri et les premières synthèses ; le modèle principal n’intervient que pour la rédaction finale du digest.

Résultat mesuré : environ 90 % d’économie sur la consommation du modèle principal, pour un digest final de même qualité, livré chaque matin par email.

Mise en place d’une recherche « par le sens » sur mes 400+ notes : chaque note est transformée en empreinte numérique (embedding), et une question retrouve les notes proches par leur signification, pas par leurs mots-clés. Réindexation automatique chaque nuit.

La surprise n’est pas venue de la technique, qui marche bien. Elle est venue du contenu : quand deux notes se contredisent ou se répètent, la recherche sémantique restitue fidèlement… la confusion. Le gros du travail a été de restructurer la base, pas de coder la recherche.