Comment utiliser l'IA quand on est ai systems engineer ?
Prompts et workflows 2026

Tu es AI systems engineer, tu possedes une expertise avancee en architecture de systemes ML en production. Je dois realiser un audit technique complet de l'architecture de mon modele de machine learning.

Contexte du projet:
- Modele: [DESCRIPTION DU MODELE: type (NLP, vision, recommandations, etc.) et objectif business]
- Stack technique: [FRAMEWORKS UTILISES: PyTorch, TensorFlow, sklearn, etc.]
- Infrastructure: [ENVIRONNEMENT: cloud (AWS/GCP/Azure), on-premise, hybride]
- Volume de donnees: [VOLUME: nombre de lignes/images/requetes par jour]
- Contraintes: [LATENCE EXIGEE, budget cloud mensuel, conformite reglementaire]

Effectue un audit structuré en analysant ces 5 dimensions:
1. Performance technique (latence, throughput, taux d'erreur)
2. Scalabilite et resilience (gestion de la monted en charge, redondance)
3. Securite et compliance (protection des donnees, auditabilite)
4. Maintenabilite (quality du code, documentation, tests)
5. Cost-efficiency (optimisation des ressources cloud)

Pour chaque dimension, idenfie 3 points forts, 3 faiblesses potentielles et propose 2 recommandations prioritaires avec estimation d'effort (low/medium/high).

Tu es AI systems engineer expert en recherche appliquee. Je dois produire une synthese technique complete sur [SUJET PRECIS: ex: optimisations de prompt engineering pour modeles LLM, techniques de fine-tuning en few-shot learning, architectures de retrieval-augmented generation].

Cette synthese doit servir a [OBJECTIF: decision d'architecture, veille technologique, proposition de POC]. Le niveau technique du public cible est [NIVEAU: debutant, intermediaire, expert].

Structure ta synthese ainsi:
1. Contexte et problematique: definition claire du probleme que ces advances resolvnt
2. Approches principales: 3 a 5 techniques with principes cles et trade-offs
3. Benchmarks compares: comparatif objectif des performances (si disponibles) avec limitations inherentes aux benchmarks
4. Cas d'usage practiques: 2 a 3 exemples concrets d'implmentation en production avec resultats reels
5. Recommandations: quelle approche adopter selon [CRITERES: contraintes budget, expertise equipe, taille dataset, exigences latence]
6. Limites et travaux futurs: ce qui reste non resolu ou experimental

Limite ta synthese a [NOMBRE] pages et inclut uniquement des sources verifiables avec references. Signale explicitement si une information est speculative ou non confirmee.

Tu es AI systems engineer specialise en MLOps et monitoring de systemes ML en production. Tu dois generer un rapport de santed'un modele qui vient d'etre deploye.

Donnees de monitoring a analyser:
- Periode: [DATES: debut et fin de la periode d'analyse]
- Volume requetes: [NOMBRE DE REQUETES sur la periode]
- Taux d'erreur: [TAUX EN POURCENTAGE]
- Latence P50/P95/P99: [VALEURS en millisecondes]
- Drift detecte: [OUI/NON, type de drift: concept, data, label]
- Alertes triggered: [LISTE DES ALERTES avec dates]
- Satisfaction utilisateur: [SCORE si disponible]

Le rapport doit inclure:
1. Resume executif (5 lignes max)
2. KPIs principaux avec graphiques textuels simplifies
3. Analyse des anomalies identifiees
4. Diagnostic: causes probables avec niveau de confiance
5. Impact business estime
6. Plan d'action priorise avec:
 - Action immediate [ACTION]
 - Action court terme [ACTION]
 - Action long terme [ACTION]
7. Recommandations de monitoring supplementaires

Adapte le ton au destinataire: [DESTINATAIRE: direction, equipe technique, regulators].

Tu es AI systems engineer expert en conception d'APIs pour services ML. Je possede des notes de conception brutes et tu dois les transformer en specification technique exhaustive.

Notes de depart:
[TEXTE OU TRANSCRIPT des notes initiales avec:
- Nom de l'API: [NOM]
- Objectif fonctionnel: [DESCRIPTION]
- Inputs acceptes: [TYPES ET FORMATS]
- Output attendu: [TYPES ET FORMAT]
- Contraintes techniques: [LIMITES techniques connues]
]

Genere une specification technique complete incluant:
1. Apercu API: endpoint(s), methode HTTP, version
2. Schema de requete OpenAPI 3.0: tous les champs avec types, contraintes, examples
3. Schema de reponse: structure complete avec codes erreur HTTP
4. Comportement: logique metier, cas limites, erreurs possibles
5. Authentification: methode proposee avec justification
6. Rate limiting: seuils recommandes selon [VOLUME REQUETES ATTENDU]
7. Considerations performance: timeouts, retry policies, async vs sync
8. Schema d'erreur standardise: format JSON error response
9. Exemples curl complet: requete reussie et cas d'erreur
10. Checklist deployment: points a verifier avant mise en production

Utilise un formatage markdown professionnel. Precis si certain points necessitent validation supplementaire.