Des agents ML en local : MLExpert et EpochGo sur Ollama, coût d'API nul

Un agent de machine learning est un modèle qui pilote seul tout le cycle de data science : il nettoie les données, compare des dizaines de modèles, ajuste les hyperparamètres et prépare le service. Ce mois-ci, deux sorties montrent les deux extrémités de la même histoire : d'un côté MLExpert, un modèle frontier de 35 milliards de paramètres entraîné à le faire en autonomie ; de l'autre EpochGo, une plateforme open source qui fait tourner trois agents coordonnés sur une machine de 16 Go de RAM, sans coût d'API. Le premier dit ce qui est possible ; le second s'installe aujourd'hui.

MLExpert : la frontière prouve que les agents ML fonctionnent

MLExpert est un papier d'octobre 2026 qui entraîne un modèle Mixture-of-Experts de 35 milliards de paramètres pour mener seul de longues sessions d'ingénierie ML. Il n'assiste pas : il propose l'expérience, l'exécute, lit les résultats, adapte la stratégie. L'entraînement combine deux techniques — une supervision hiérarchique sur les trajectoires d'interaction et une méthode de reinforcement learning, baptisée WIRL, qui attribue une récompense partagée aux décisions prises entre un résultat expérimental et le suivant.

Le chiffre qui compte : sur MLE-Bench Lite, le taux moyen de médailles passe de 37,9 % pour le modèle de base à 72,7 % — un niveau comparable à des modèles frontier bien plus grands, comme Kimi-K3 ou GLM-5.3. C'est la preuve qu'un modèle de 35B, bien entraîné, peut tenir un processus décisionnel long et coûteux sans se perdre. Le papier ne propose aucun runtime local : c'est une frontière de recherche, à lire comme telle — la preuve que le champ est assez mature pour commencer à le transporter sur votre propre matériel.

EpochGo : la même approche sur 16 Go, avec un coût d'API nul

EpochGo est l'autre extrémité du spectre : une plateforme AutoML open source, local-first, qui tourne sur votre machine. Sous le capot : CrewAI, Ollama, scikit-learn, XGBoost, LightGBM et CatBoost. Aucune clé API, aucun cloud, tout en local.

Vous chargez un CSV dans le tableau de bord et trois agents se partagent le travail :

• Agent 1 — prétraitement : détecte les valeurs manquantes, les outliers, code les variables catégorielles, réduit la dimensionnalité. Il produit un script autonome et un rapport avant/après.
• Agent 2 — benchmark et ajustement : compare 7 algorithmes de base (XGBoost, LightGBM, CatBoost, Random Forest, Gradient Boosting, Extra Trees, régressions linéaires), sélectionne les 3 meilleurs, optimise les hyperparamètres et choisit le modèle gagnant, avec un script d'entraînement reproductible.
• Agent 3 — serving : génère un microservice FastAPI prêt à l'emploi, avec un bac à sable dans le navigateur pour tester les prédictions et les extraits curl et Python à copier dans vos systèmes.

Chaque projet sauvegarde tout sous projects/ : scripts, rapports en Markdown, modèle sérialisé. Aucune donnée, aucun prompt, aucune prédiction ne quitte la machine — le détail qui compte quand le CSV contient de vrais clients.

Les coûts : API vs local, chiffré

Faisons les comptes sur un projet type. Le pipeline complet — profilage, benchmark de 7 modèles, ajustement, code de serving — génère au total un ordre de grandeur de 1 million de tokens entre prompts et sorties des agents.

Voie	Calcul	Coût par projet
API payante	~1 M de tokens à ~2,50 EUR/M token	~2,50 EUR
Local avec EpochGo	modèle de 7B (~4,7 Go de RAM), entraînement sur CPU ou sur votre GPU	0 EUR d'API

Ce sont des ordres de grandeur : ils dépendent des prix du moment et de la quantité d'ajustement. Mais la structure est claire — 40 projets par année coûtent environ 100 EUR d'API, ou zéro : le modèle de 7B qui pilote les agents occupe ~4,7 Go de RAM, et un Mac de 16 Go ou un PC équivalent laisse plus de 10 Go libres pour l'entraînement proprement dit. À ces chiffres, l'écart de coût est modeste ; la vraie différence, c'est que les données des clients ne quittent jamais la machine.

Et les limites ?

Soyons clairs sur ce que ces agents ne sont PAS :

• Données tabulaires uniquement. L'angle, c'est le CSV : classification, régression, entraînement et serving. Ce n'est pas un RAG sur vos textes ni un agent de vision : pour les documents, la voie est une autre, et elle est dans le guide du RAG local.
• Le code généré se lit. Le modèle de langage écrit du vrai Python, qui a parfois des bugs. Les scripts preprocessing.py, model_building.py et serve.py méritent une revue avant le déploiement, comme n'importe quel code qui vient d'ailleurs.
• La qualité du modèle pilote la qualité du pipeline. Avec qwen2.5-coder:7b, le niveau est bon pour de la data science classique ; avec les variantes 1,5B ou 3B (pour les machines de 8 Go), il baisse.

Setup minimal en 10 minutes

Exigence	Valeur
RAM	16 Go recommandés (8 Go avec les modèles réduits)
Modèle de pilotage	qwen2.5-coder:7b (~4,7 Go de RAM)
Stack	Docker Compose + Ollama

1. Installez Ollama et chargez le modèle de pilotage :

   ollama pull qwen2.5-coder:7b
   

2. Clonez et lancez EpochGo :

   git clone https://github.com/AryanDinakaran/EpochGo.git
   cd EpochGo
   docker compose up --build
   

   Si ça ne part pas, vérifiez que ollama serve est actif : le composeur se connecte à Ollama tout seul, mais seulement si le serveur est déjà à l'écoute.
3. Ouvrez le tableau de bord sur http://localhost:8000, chargez un CSV — il y en a deux prêts dans sample_data/ (attrition client et prix immobiliers) — et regardez les trois agents travailler, pas à pas, dans le log en temps réel.

Sources

• MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering — arXiv, 15 octobre 2026
• EpochGo — README et spécifications, licence MIT

En résumé

Deux sorties, les deux pôles d'une même histoire. MLExpert prouve qu'un modèle de 35B, entraîné avec la bonne méthode, fait de l'ingénierie ML au niveau des frontier. EpochGo porte la même approche — trois agents coordonnés qui nettoient les données, benchmarkent et préparent le service — sur 16 Go de RAM, avec un coût d'API nul et des données qui ne quittent pas la machine. L'une est la preuve que le champ est mature ; l'autre est le point de départ pour l'essayer en local aujourd'hui.

Article généré par IA