[ Stack technique ]
PyMC
La librairie Python de programmation probabiliste pour l'inférence bayésienne moderne.
PyMC décrit un modèle statistique comme un graphe de variables aléatoires, puis l'estime par échantillonnage MCMC (NUTS, Hamiltonian Monte Carlo) ou par inférence variationnelle, sur un backend PyTensor compilable en C, JAX ou Numba. Les résultats sortent en objets ArviZ pour les diagnostics de convergence, les intervalles crédibles et les comparaisons de modèles. C'est notre choix quand il faut quantifier l'incertitude, intégrer des a priori métier ou travailler sur peu de données avec des modèles hiérarchiques.
[ Pourquoi PyMC chez Dexon ]
Ce que cette techno fait bien, et pourquoi nous la mobilisons.
Usage typique : Tests A/B bayésiens, media mix modeling, prévision avec incertitude, fiabilité et risque.
- 01
Échantillonnage NUTS et inférence variationnelle, avec backends JAX et Numba.
- 02
Modèles hiérarchiques et a priori explicites : robustes sur les petits jeux de données.
- 03
Diagnostics ArviZ : convergence, intervalles crédibles, comparaison de modèles.
- 04
Écosystème : PyMC-Marketing (media mix, CLV), pymc-bart, processus gaussiens.
[ Technologies complémentaires ]
Les briques que nous mobilisons souvent en parallèle.
Une stack existe rarement seule. Voici les technologies que Dexon associe le plus souvent à celle-ci, par habitude de pipeline, similarité d'usage ou maîtrise interne. Cliquez sur une brique pour voir son périmètre.
[ Réassurance ]
- 0+
- projets livrés sur mesure
- 30
- ingénieurs, designers, chefs de projet
- 80 %
- issus des meilleures écoles FR
- 24 h
- délai moyen de réponse
[ Ils nous font confiance ]
Plus de 100 entreprises françaises et européennes nous accordent leur confiance.
[ Presse ]
Ils parlent de nous.
Couverture nationale par BFM Business, Le Figaro, Challenges, La Tribune et CNews. Une lecture extérieure de notre travail et de nos innovations.
