Résumé exécutif

Les développements pertinents de la semaine concernent surtout l’infrastructure des systèmes de génération augmentée par récupération, du service de modèles, du traitement de grands dataframes et de l’intégration applicative contrôlée. Pour les offices statistiques, le message pratique est que les pilotes d’intelligence artificielle (IA) ont besoin d’un routage plus robuste, d’évaluations reproductibles, de versions figées, de contrôles de confidentialité et de traitements de données traçables avant tout usage dans les enquêtes, les recensements ou les données administratives.

Nouveautés de la semaine

Traitement et intégration

vLLM 0.25.0, publié le 11 juillet 2026

vLLM 0.25.0 est une version importante pour le service de grands modèles de langage. Les notes de version indiquent que Model Runner V2 devient le chemin par défaut pour les modèles denses, que l’ancienne implémentation PagedAttention est supprimée, que le backend Transformers devient plus rapide, que de nouveaux modèles sont pris en charge, notamment pour la reconnaissance optique de caractères et la transcription, et qu’un moteur de parsing en streaming est ajouté avec des améliorations HTTPS/mTLS dans le frontend Rust.

Pour les statistiques officielles, cette évolution compte lorsque les agences souhaitent tester des services de grands modèles de langage (LLM) dans des environnements privés ou contrôlés plutôt que d’envoyer des données vers des points d’accès publics. Un cas d’usage est un service interne de recherche documentaire sur des classifications publiques, des lignes directrices qualité et des manuels méthodologiques. La mise en oeuvre exige supervision de l’infrastructure, journalisation des requêtes et sorties, contrôles d’accès par rôle, jeux de données d’évaluation, revue de sécurité et règles explicites sur les données non publiques autorisées ou non dans le service.

Haystack 2.31.0, publié le 8 juillet 2026

Haystack 2.31.0 commence à déplacer de nombreux composants lourds hors du coeur de Haystack vers des paquets d’intégration dédiés en préparation de la version 3.0. La version ajoute aussi un routage qui préserve les types avec ConditionalRouter, le support asynchrone natif de certains évaluateurs LLM, l’extraction optionnelle du front matter YAML dans MarkdownToDocument et des changements dans l’appariement utilisé pour l’évaluation des documents.

Cette version est pertinente pour les offices statistiques qui construisent des systèmes de génération augmentée par récupération (RAG) sur des métadonnées, des classifications ou des documents méthodologiques. Un cas d’usage est un assistant contrôlé qui interroge uniquement une documentation approuvée, publique ou interne, tout en préservant les objets typés dans les routes de pipeline. Les équipes doivent examiner les dépréciations, figer les paquets d’intégration, retester les métriques de classement après le changement de DocumentNDCGEvaluator et s’assurer que les références des sources sont visibles pour les utilisateurs.

LangChain 1.3.13 et langchain-openai 1.3.5, publiés le 10 juillet 2026

LangChain 1.3.13 ajoute un extra meta et le support de langchain-meta dans init_chat_model. La version associée langchain-openai 1.3.5 ajoute le support explicite du cache de prompts.

Pour les systèmes d’enquêtes et de données administratives, le cache de prompts peut réduire les traitements répétés dans des applications LLM approuvées, tandis que les métadonnées d’initialisation des modèles peuvent faciliter l’inspection de configurations multi-fournisseurs. Un cas d’usage est un flux gouverné de synthèse de rapports qualité non confidentiels ou de notes de suivi de collecte. Les conditions de mise en oeuvre sont importantes : le cache peut avoir des effets sur les coûts, la conservation et les pistes d’audit. Les agences doivent donc documenter ce qui est mis en cache, où, pour quelle durée et si du texte confidentiel peut y apparaître.

OpenAI Python 2.45.0, publié le 9 juillet 2026

OpenAI Python 2.45.0 met à jour la surface d’API et rétablit des accesseurs de ressources bêta. Les notes de version décrivent un changement de kit de développement logiciel (SDK), et non une nouvelle méthodologie statistique.

Cette version compte pour les agences qui connectent des applications approuvées à des services LLM managés via des passerelles contrôlées. Un cas d’usage est un prototype non confidentiel d’aide à la rédaction de rapports ou de recherche dans les métadonnées avec une version SDK figée et une passerelle API centrale. Les équipes doivent tester l’authentification, la journalisation, la modération, les contrôles de classification des données et les procédures de retour arrière avant toute mise à niveau en production.

Analyse et modélisation

Transformers 5.13.1, publié le 11 juillet 2026

Transformers 5.13.1 est une version corrective centrée sur la compatibilité avec la dernière version de vLLM. Elle inclut des corrections pour le remappage des couches dans les modèles personnalisés, le code personnalisé utilisant de nouveaux noms de couches linéaires et l’enregistrement dans les mappings automatiques paresseux.

Pour les équipes de science des données statistiques, cette version est pertinente lorsque des modèles Transformers sont utilisés pour la classification de textes, l’aide au codage, la recherche dans les métadonnées ou l’expérimentation avec un service local de modèles. Un cas d’usage est le test d’un modèle servi localement pour appuyer le codage non confidentiel des professions ou des branches d’activité. Les agences doivent traiter cette version comme une amélioration d’interopérabilité et de stabilité, et non comme une preuve qu’un modèle est assez précis pour le codage statistique en production ; des jeux de référence locaux et une revue humaine restent nécessaires.

Nettoyage et contrôle de qualité

Polars 1.42.1, publié le 30 juin 2026

Polars 1.42.1 ajoute une résolution échantillonnée des métadonnées Parquet multi-fichiers, des améliorations de performance pour les sommes de petits types numériques, et des corrections concernant les maxima groupés, les scans Parquet, les conversions décimales, le projection pushdown et l’extraction temporelle avec valeurs nulles. Les notes de version mentionnent aussi que pandas 3.0.4 est évité dans les tests en raison d’une erreur de segmentation liée à pd.TimeDelta.

Polars n’est pas une bibliothèque d’IA, mais il devient pertinent pour les chaînes statistiques prêtes pour l’IA, car la rapidité et la reproductibilité du traitement influencent les entrées de modèles, les contrôles de validation et les indicateurs qualité. Un cas d’usage est la préparation de grands registres administratifs ou d’extraits de paradonnées avant appariement, détection d’anomalies ou édition assistée par modèle. Les équipes doivent réexécuter des tests de régression sur les jointures, les valeurs manquantes, les scans Parquet et les agrégations groupées avant de remplacer des traitements existants en pandas, Spark ou SQL.

Implications pour les offices statistiques

L’implication transversale est que l’adoption de l’IA devient un enjeu opérationnel de systèmes de données. Des outils comme vLLM, Transformers, LangChain et Haystack peuvent soutenir des prototypes LLM et RAG contrôlés, mais ils ajoutent aussi des dépendances, des choix de routage, des données de traces, des comportements de cache et une infrastructure de service de modèles qui doivent être gouvernés.

Les versions d’ingénierie de données comme Polars font partie du même ensemble : des jointures incorrectes, des conversions de types instables ou des scans Parquet non testés peuvent compromettre l’édition, l’imputation ou la classification assistées par IA. Les offices statistiques nationaux devraient donc évaluer ces versions selon des critères de contrôle de qualité, de reproductibilité et de confidentialité, et pas seulement à partir des listes de fonctionnalités.

Prochaines actions

  • Identifier un prototype RAG ou LLM et documenter ses sources de données approuvées, son point d’accès modèle, ses règles de journalisation et ses étapes de revue humaine.
  • Figer les versions de vLLM, Transformers, Haystack, LangChain, OpenAI Python et Polars dans des environnements reproductibles avant de tester les mises à niveau.
  • Réexécuter les tests de récupération, de classement et de codage après toute mise à niveau de Haystack, Transformers ou vLLM.
  • Examiner le cache de prompts et le stockage des traces pour confirmer que les données confidentielles d’enquêtes, de recensements ou de sources administratives ne sont pas conservées dans des systèmes non autorisés.
  • Tester les sorties Parquet volumineuses et les agrégations groupées avant d’introduire Polars 1.42.x dans la préparation de données en production.
  • Tenir une fiche courte de traçabilité des modèles et des données pour chaque flux assisté par IA, incluant la classe de données source, le jeu d’évaluation et le responsable désigné.

Sources