Rapport d'analyse du marché mondial des outils d'optimisation bayésienne : taille, part de marché et tendances – Aperçu du secteur et prévisions jusqu'en 2033

Taille du marché des outils d'optimisation bayésienne

• Le marché mondial des outils d'optimisation bayésienne était évalué à 44,55 milliards de dollars américains en 2025  et devrait atteindre  167 milliards de dollars américains d'ici 2033 , avec un TCAC de 17,96 % au cours de la période de prévision.
• La croissance du marché est largement alimentée par l'adoption croissante de l'apprentissage automatique avancé, de la modélisation pilotée par l'IA et du réglage automatisé des hyperparamètres dans des secteurs tels que la santé, la finance, la fabrication et les systèmes autonomes, les organisations recherchant une optimisation plus rapide et plus précise des modèles complexes.
• De plus, la demande croissante de frameworks d'optimisation évolutifs, conviviaux et performants positionne les outils d'optimisation bayésiens comme une solution de choix pour accélérer les flux de travail de R&D, réduire les coûts de calcul et améliorer la précision des prises de décision. Ces facteurs convergents stimulent fortement l'adoption des solutions d'outils d'optimisation bayésiens et contribuent à une croissance substantielle du secteur.

Analyse du marché des outils d'optimisation bayésienne

• Les outils d'optimisation bayésienne, conçus pour automatiser l'optimisation des fonctions complexes et des hyperparamètres dans les modèles d'apprentissage automatique, deviennent des composantes de plus en plus essentielles des flux de travail modernes en IA et en science des données dans tous les secteurs, grâce à leur capacité à améliorer la précision des modèles, à réduire les coûts de calcul et à rationaliser les processus de prise de décision.
• La demande croissante d'outils d'optimisation bayésienne est principalement alimentée par l'adoption rapide des technologies d'IA/ML, la complexité croissante des architectures de modèles et le besoin grandissant de méthodes d'optimisation automatisées, précises et efficaces qui surpassent les techniques traditionnelles par essais et erreurs ou par recherche exhaustive.
• L'Amérique du Nord a dominé le marché des outils d'optimisation bayésienne en 2025, avec une part de revenus de 35 %. Cette domination s'explique par une adoption précoce de l'IA, des investissements importants en R&D et une forte concentration d'entreprises technologiques de pointe. Les États-Unis ont connu une croissance substantielle des déploiements d'optimisation bayésienne, notamment dans des secteurs tels que les systèmes autonomes, l'analyse des données de santé, la fintech et les plateformes d'apprentissage automatique dans le cloud. Cette croissance a été portée par les innovations des entreprises d'IA établies et des jeunes pousses spécialisées dans l'optimisation.
• La région Asie-Pacifique devrait connaître la croissance la plus rapide sur le marché des outils d'optimisation bayésienne au cours de la période de prévision, grâce à l'expansion des initiatives de transformation numérique, à l'augmentation des investissements dans la recherche en IA, à la croissance rapide du cloud computing et à la demande croissante d'optimisation automatisée des modèles dans des pays comme la Chine, le Japon, l'Inde et la Corée du Sud.
• Le segment basé sur le cloud a dominé la plus grande part de revenus du marché, soit 54,6 %, en 2025, grâce à son évolutivité, son faible coût initial et sa facilité d'intégration avec les pipelines d'IA/ML existants.

Portée du rapport et segmentation du marché des outils d'optimisation bayésienne

Tendances du marché des outils d'optimisation bayésienne

Amélioration du confort grâce à l'optimisation pilotée par l'IA et à l'automatisation des flux de travail

• L'intégration croissante de moteurs d'optimisation avancés basés sur l'IA dans les flux de travail plus larges de la science des données, de l'apprentissage automatique et de l'automatisation d'entreprise constitue une tendance majeure et en pleine accélération sur le marché mondial des outils d'optimisation bayésienne. Les entreprises de tous les secteurs adoptent ces outils pour rationaliser le réglage des hyperparamètres, accélérer les cycles d'expérimentation et améliorer les performances des modèles avec une intervention manuelle minimale.
  • Par exemple, en mars 2024, Google Cloud a étendu le service d'optimisation des hyperparamètres de Vertex AI en intégrant des algorithmes d'optimisation bayésiens améliorés, permettant aux entreprises de réduire le temps d'entraînement des modèles et d'améliorer l'efficacité des expérimentations sur de grands ensembles de données.
• Les outils d'optimisation bayésienne exploitent de plus en plus la modélisation probabiliste, les fonctions de substitution et les stratégies d'échantillonnage intelligentes (telles que les processus gaussiens, les modèles arborescents et l'optimisation multiobjectif). Ces innovations permettent aux entreprises d'évaluer efficacement des milliers de combinaisons de paramètres, de réduire les coûts de calcul et d'accélérer les délais de déploiement, notamment dans les domaines de l'apprentissage profond, de la modélisation financière, de la robotique, de la conception de matériaux et de la recherche pharmaceutique.
• L'intégration transparente de l'optimisation bayésienne avec le MLOps, les plateformes d'orchestration de flux de travail et les environnements cloud natifs permet aux entreprises d'automatiser l'expérimentation, de gérer des essais à grande échelle et d'optimiser des systèmes complexes à partir d'une interface unifiée. Ceci redéfinit les attentes des utilisateurs, qui privilégient désormais l'optimisation de bout en bout plutôt que le réglage isolé de modèles.
• Face à la demande croissante des entreprises pour des capacités d'optimisation plus intelligentes, évolutives et automatisées, les éditeurs de logiciels développent des frameworks d'optimisation bayésienne de nouvelle génération. Ces frameworks intègrent des fonctionnalités telles que l'optimisation multi-fidélité, l'échantillonnage distribué, l'expérimentation adaptative et le réglage par apprentissage par renforcement.
• La demande d'outils d'optimisation bayésienne avancés croît rapidement dans les domaines de la R&D, de l'ingénierie IA/ML, des biotechnologies, des sciences des matériaux, de la finance et des environnements de prise de décision automatisée, les entreprises privilégiant une précision accrue, des coûts de calcul réduits et des cycles de développement plus rapides.

Dynamique du marché des outils d'optimisation bayésienne

Conducteur

Besoin croissant d'un réglage efficace des hyperparamètres et d'une optimisation automatisée des modèles

• La complexité croissante des modèles d'apprentissage automatique, en particulier des architectures d'apprentissage profond, engendre une forte demande d'outils d'optimisation bayésienne, qui offrent des moyens systématiques, efficaces et automatisés d'identifier les paramètres optimaux du modèle sans expérimentation exhaustive.
  • Par exemple, en juillet 2023, Amazon Web Services a intégré des techniques d'optimisation bayésienne avancées au module d'optimisation automatique des modèles d'Amazon SageMaker, permettant ainsi aux développeurs d'améliorer la précision des modèles jusqu'à 40 % tout en réduisant considérablement le temps d'optimisation.
• Alors que les organisations privilégient la précision, la performance et la réduction du temps d'entraînement, l'optimisation bayésienne permet un meilleur réglage des modèles grâce à la modélisation probabiliste, réduisant ainsi le coût de calcul par rapport à la recherche par grille ou à la recherche aléatoire.
• De plus, l'adoption croissante des systèmes d'IA et le besoin de plateformes d'expérimentation évolutives dans des secteurs tels que la santé, l'automobile, la finance et la chimie font de l'optimisation bayésienne un élément essentiel des écosystèmes d'IA d'entreprise.
• La facilité d'utilisation du réglage automatisé, la réduction du temps d'exécution, l'exploration efficace des espaces de recherche et l'intégration avec les pipelines d'apprentissage automatique basés sur le cloud sont des facteurs clés qui favorisent l'adoption des outils d'optimisation bayésienne dans les entreprises du monde entier.

Retenue/Défi

Complexité de calcul élevée et manque de main-d'œuvre qualifiée

• Malgré ses avantages, l'optimisation bayésienne peut se heurter à des problèmes de passage à l'échelle lors de la modélisation d'espaces de paramètres de grande dimension ou extrêmement dynamiques, notamment lorsqu'elle repose sur des approches basées sur les processus gaussiens. Ces limitations de calcul peuvent restreindre son adoption pour les très grands modèles ou les environnements objectifs évoluant rapidement.
  • Par exemple, une étude de l'Institut Alan Turing, publiée en février 2022, a mis en évidence que les méthodes d'optimisation bayésienne traditionnelles basées sur les processus gaussiens présentent un ralentissement significatif des calculs dans les contextes de recherche en IA de grande dimension, ce qui limite l'expérimentation efficace pour les tâches complexes d'apprentissage profond.
• De plus, de nombreuses organisations manquent de personnel expert en modélisation probabiliste, en optimisation par approximation et en flux de travail d'IA avancés, ce qui complexifie la mise en œuvre par rapport aux méthodes de réglage plus simples. Ce manque de compétences peut ralentir le déploiement et freiner une plus large pénétration du marché.
• Relever ces défis exige des progrès constants dans les techniques d'optimisation bayésienne à grande échelle, notamment les méthodes de région de confiance, les stratégies d'échantillonnage de grande dimension et les modèles de substitution hybrides.
• Un autre défi réside dans le coût initial relativement élevé associé à l'intégration de cadres d'optimisation avancés dans l'infrastructure d'IA d'entreprise. Les entreprises pourraient devoir investir dans des logiciels spécialisés, des ressources de calcul et la formation de leurs équipes techniques.
• Bien que les coûts diminuent progressivement, la complexité perçue et les ressources nécessaires à l'optimisation bayésienne peuvent encore freiner son adoption par les organisations aux capacités techniques limitées ou aux petites équipes d'IA.
• Le dépassement de ces obstacles grâce à des algorithmes évolutifs, des interfaces simplifiées, des API natives du cloud et la montée en compétences de la main-d'œuvre sera essentiel à la croissance durable du marché des outils d'optimisation bayésienne.

Étendue du marché des outils d'optimisation bayésienne

Le marché est segmenté en fonction du type, du modèle de déploiement et de l'application.

• Par type

Le marché des outils d'optimisation bayésienne est segmenté en trois catégories : cloud, sur site et hybride. En 2025, le segment cloud représentait la plus grande part de marché (54,6 %), grâce à son évolutivité, son faible coût initial et sa facilité d'intégration aux pipelines d'IA/ML existants. Les plateformes cloud permettent une optimisation en temps réel et une expérimentation rapide, facilitant ainsi le travail des équipes de data science dans tous les secteurs. Les entreprises privilégient les outils bayésiens cloud pour leur collaboration fluide et leurs mises à jour automatisées. La transformation numérique des secteurs de la banque, de la finance et de l'assurance (BFSI), de la santé et de l'automobile alimente l'adoption du cloud. Le recours croissant aux frameworks ML natifs du cloud renforce ce segment. Les fournisseurs cloud bénéficient de modèles d'abonnement, générant des revenus récurrents. La forte demande en calcul distribué et en optimisation des hyperparamètres à grande échelle contribue à leur domination. Les outils cloud prennent en charge le déploiement via API, accélérant ainsi la mise en œuvre. Les fonctionnalités de gouvernance des données rassurent les entreprises en matière de sécurité. Les plateformes cloud s'intègrent également parfaitement aux systèmes AutoML, ce qui leur assure une position de leader.

Le segment hybride devrait connaître le taux de croissance annuel composé (TCAC) le plus rapide, soit 15,8 %, entre 2026 et 2033. Cette croissance est alimentée par la demande croissante d'architectures flexibles alliant l'efficacité du cloud à la sécurité sur site. Les environnements hybrides prennent en charge les charges de travail sensibles, notamment dans les secteurs réglementés comme la santé et la banque, la finance et l'assurance (BFSI). Les entreprises adoptent des solutions hybrides pour conserver le contrôle de leurs données locales tout en tirant parti de l'évolutivité du cloud. L'importance croissante accordée aux cadres de conformité favorise l'adoption des solutions hybrides. Les offres des fournisseurs prennent de plus en plus en charge l'orchestration hybride des flux de travail d'apprentissage automatique. Les outils hybrides permettent aux entreprises de réaliser des expérimentations localement et d'effectuer des réglages dans le cloud. L'amélioration des intergiciels d'intégration accélère la croissance. Les grandes entreprises qui migrent depuis leurs systèmes existants privilégient les modèles hybrides. L'optimisation inter-environnements stimule l'adoption. Les initiatives de modernisation informatique soutiennent également ce segment. À mesure que l'adoption de l'IA se concrétise, les déploiements hybrides offrent un équilibre optimal entre coûts et performances.

• Par modèle de déploiement

Selon le modèle de déploiement, le marché des outils d'optimisation bayésienne se segmente en solutions autonomes, intégrées et autres. Le segment des solutions intégrées a dominé le marché en 2025, représentant 48,3 % des revenus, grâce à sa capacité à intégrer l'optimisation bayésienne au sein de plateformes d'apprentissage automatique et de systèmes d'analyse d'entreprise plus vastes. Les solutions intégrées fluidifient le travail des data scientists. Les entreprises privilégient les plateformes unifiées combinant développement, paramétrage et supervision des modèles. L'intégration permet une connexion transparente avec l'AutoML, les frameworks d'apprentissage profond et les pipelines MLOps. Les fournisseurs intègrent de plus en plus d'outils bayésiens dans des suites d'IA, favorisant ainsi leur adoption. Les entreprises apprécient la réduction de la complexité opérationnelle. Les systèmes intégrés permettent la collaboration entre équipes et améliorent la traçabilité et la gouvernance des expérimentations. La tendance croissante vers des plateformes d'IA de bout en bout renforce ce segment. Les capacités d'intégration réduisent les délais de déploiement. La flexibilité d'intégration aux environnements cloud et hybrides accroît son attrait. Ce solide écosystème assure sa position dominante.

Le segment des solutions autonomes devrait connaître le taux de croissance annuel composé (TCAC) le plus rapide, à 14,9 %, entre 2026 et 2033, porté par la demande croissante de moteurs d'optimisation bayésiens légers et personnalisables. Les startups et les instituts de recherche privilégient les outils autonomes pour leur flexibilité et le contrôle qu'ils offrent sur leurs expérimentations. Les systèmes autonomes permettent une adoption plus rapide, sans dépendances importantes à l'architecture d'entreprise. L'innovation open source accélère la croissance de ce segment. Les développeurs préfèrent les progiciels autonomes pour le réglage des hyperparamètres dans les environnements d'apprentissage profond et d'apprentissage par renforcement. Ce segment bénéficie de coûts réduits et d'une grande adaptabilité. Les outils autonomes permettent une intégration à la demande via des API. Leur simplicité séduit les petites et moyennes entreprises. L'augmentation des charges de travail expérimentales dans le milieu universitaire favorise leur adoption. Les outils d'optimisation autonomes s'intègrent parfaitement à la recherche de pointe. L'intérêt croissant pour le réglage fin des modèles linéaires et génératifs amplifie la demande. Cette combinaison explique le TCAC le plus élevé.

• Sur demande

Selon l'application, le marché des outils d'optimisation bayésienne est segmenté en automobile, santé, services financiers, technologies de l'information et télécommunications, industrie manufacturière et autres. Le segment des technologies de l'information et des télécommunications représentait la plus grande part de marché (32,7 %) en 2025, portée par une forte demande d'optimisation des hyperparamètres dans les modèles d'apprentissage automatique complexes utilisés pour l'optimisation des réseaux, la détection des fraudes et l'analyse prédictive. Les entreprises informatiques s'appuient sur les outils bayésiens pour automatiser l'expérimentation et accélérer les cycles de développement des modèles. Les opérateurs télécoms utilisent l'optimisation bayésienne pour l'allocation des ressources, la planification des réseaux et l'amélioration des performances du signal. Le besoin croissant d'automatisation pilotée par l'IA renforce la position dominante de ce segment. L'essor des applications d'IA natives du cloud favorise leur adoption. Les équipes informatiques privilégient les outils bayésiens en raison de leur grande efficacité dans le traitement des calculs complexes. La croissance du déploiement de modèles d'apprentissage automatique augmente les charges de travail d'optimisation. Les entreprises valorisent une vitesse d'itération plus rapide. Le besoin de gestion des modèles d'apprentissage automatique en temps réel contribue également à cette domination. À mesure que l'infrastructure numérique se développe, ce segment conserve son leadership.

Le secteur de la santé devrait connaître le taux de croissance annuel composé (TCAC) le plus rapide, à 16,4 %, entre 2026 et 2033. Cette croissance est portée par l'utilisation croissante de l'optimisation bayésienne pour le réglage des modèles de diagnostic, la modélisation des traitements personnalisés et les simulations de découverte de médicaments. Les hôpitaux et les instituts de recherche adoptent des outils bayésiens pour améliorer l'efficacité de leurs processus d'IA. Les méthodes bayésiennes contribuent à optimiser les algorithmes complexes d'imagerie médicale. L'essor de la médecine de précision stimule la demande. Les développeurs d'IA pour la santé ont besoin d'un réglage efficace des hyperparamètres pour les modèles prédictifs. L'augmentation des investissements dans l'IA clinique accélère son adoption. Les entreprises pharmaceutiques intègrent l'optimisation bayésienne pour accélérer leurs processus de R&D. Les systèmes d'optimisation respectueux de la conformité gagnent en popularité. Les ensembles de données de santé bénéficient de méthodes bayésiennes économes en échantillons. La croissance des thérapies numériques soutient cette expansion. Les outils de diagnostic basés sur l'IA reposent fortement sur des algorithmes d'optimisation, ce qui explique la croissance la plus rapide du secteur.

Analyse régionale du marché des outils d'optimisation bayésienne

• L'Amérique du Nord a dominé le marché des outils d'optimisation bayésienne avec la plus grande part de revenus (35 %) en 2025, caractérisée par une adoption précoce de l'IA, des investissements importants en R&D et une forte présence d'entreprises technologiques de premier plan.
• Le marché a connu une croissance substantielle des déploiements d'optimisation bayésienne, notamment dans des secteurs tels que les systèmes autonomes, l'analyse des données de santé, la fintech et les plateformes d'apprentissage automatique basées sur le cloud.
• Portée par les innovations des entreprises d'IA établies et des jeunes pousses axées sur l'optimisation

Analyse du marché américain des outils d'optimisation bayésienne

Le marché américain des outils d'optimisation bayésienne a généré 38 % des revenus en Amérique du Nord en 2025, porté par l'adoption accélérée de l'optimisation pilotée par l'IA dans les plateformes cloud, les logiciels d'entreprise, les systèmes autonomes et l'analyse des données de santé. Les entreprises utilisent de plus en plus ces outils pour le réglage des hyperparamètres, la sélection automatisée de modèles et l'amélioration de l'efficacité algorithmique, contribuant ainsi à la croissance du marché.

Analyse du marché européen des outils d'optimisation bayésienne

Le marché européen des outils d'optimisation bayésienne devrait connaître une croissance annuelle composée (TCAC) importante tout au long de la période de prévision, portée par l'adoption croissante de l'IA, la numérisation des entreprises et les initiatives gouvernementales en faveur du développement technologique. La région observe une forte adoption dans les secteurs de l'automobile, de la production manufacturière et des services financiers, les entreprises privilégiant les gains d'efficacité et l'analyse prédictive.

Analyse du marché britannique des outils d'optimisation bayésienne

Le marché britannique des outils d'optimisation bayésienne devrait connaître une croissance annuelle composée (TCAC) remarquable au cours de la période de prévision, grâce à un écosystème de recherche en IA dynamique, à l'adoption croissante des plateformes cloud et à la forte présence de fournisseurs de services technologiques. La demande est particulièrement forte dans les secteurs de la fintech, de l'analyse des données de santé et des systèmes autonomes, ce qui stimule l'expansion du marché.

Analyse du marché allemand des outils d'optimisation bayésienne

Le marché allemand des outils d'optimisation bayésienne devrait connaître une croissance annuelle composée (TCAC) considérable au cours de la période de prévision, portée par l'adoption généralisée de l'IA, de fortes initiatives d'automatisation industrielle et des investissements importants en R&D dans la modélisation prédictive et l'analyse avancée. Les entreprises des secteurs de la fabrication, de l'automobile et de la santé déploient rapidement des outils d'optimisation bayésienne pour améliorer leur efficacité opérationnelle.

Analyse du marché des outils d'optimisation bayésienne en Asie-Pacifique

Le marché des outils d'optimisation bayésienne en Asie-Pacifique devrait connaître la croissance annuelle composée la plus rapide entre 2026 et 2033, portée par la digitalisation croissante, les initiatives gouvernementales en matière d'IA, le développement des infrastructures cloud et la demande grandissante de solutions d'optimisation automatisées et intelligentes. Des pays comme la Chine, le Japon, l'Inde et la Corée du Sud sont à la pointe de l'adoption de ces outils, grâce à l'expansion de leurs écosystèmes technologiques et à l'augmentation des investissements dans les plateformes d'analyse basées sur l'IA.

Analyse du marché japonais des outils d'optimisation bayésienne

Le marché japonais des outils d'optimisation bayésienne connaît une forte croissance, portée par l'adoption de technologies de pointe, des investissements importants en R&D et le besoin croissant d'automatisation dans des secteurs tels que l'industrie manufacturière, l'automobile et la santé. Les entreprises utilisent de plus en plus ces outils pour améliorer l'efficacité de leurs modèles d'IA, la maintenance prédictive et leurs performances opérationnelles.

Analyse du marché chinois des outils d'optimisation bayésienne

En 2025, le marché chinois des outils d'optimisation bayésienne représentait la plus grande part de revenus en Asie-Pacifique (28 %), grâce à l'adoption rapide de l'IA, aux initiatives de transformation numérique et au soutien gouvernemental important apporté aux infrastructures d'IA et de cloud computing. Les entreprises des secteurs de la fintech, des systèmes autonomes et de la santé adoptent ces outils pour l'analyse avancée, le réglage des hyperparamètres et le déploiement à grande échelle de l'IA.

Part de marché des outils d'optimisation bayésienne

Le secteur des outils d'optimisation bayésienne est principalement dominé par des entreprises bien établies, notamment :

• IBM (États-Unis)
• Google LLC (États-Unis)
• Microsoft Corporation (États-Unis)
• MathWorks (États-Unis)
• Oracle Corporation (États-Unis)
• Hyperopt (États-Unis)
• Optuna (Japon)
• SigOpt (États-Unis)
• BayesOpt (Espagne)
• Scikit-Optimize – Skopt (France)
• Emukit (Royaume-Uni)
• Ax – Meta (États-Unis)
• Weights & Biases (États-Unis)
• Databricks (États-Unis)
• Neptune.ai (Pologne)
• DataRobot (États-Unis)
• Altair Engineering (États-Unis)

Dernières évolutions du marché mondial des outils d'optimisation bayésienne

• En mai 2022, Optuna, un framework open source de premier plan pour l'optimisation des hyperparamètres, a publié sa documentation et ses ressources complémentaires pour la version 2.0, marquant une étape majeure en termes de maturité et de stabilité pour cet outil d'optimisation des hyperparamètres largement utilisé dans l'industrie et la recherche. La série v2.x a formalisé des fonctionnalités de niveau production (prise en charge de l'optimisation distribuée, élagage et échantillonneurs améliorés) qui ont accéléré l'adoption de l'optimisation de type bayésien/TPE dans les pipelines d'apprentissage automatique en production.
• En septembre 2022, Amazon Web Services a annoncé qu'Amazon SageMaker Automatic Model Tuning intégrait désormais le réglage multi-fidélité avec Hyperband et d'autres améliorations pour accélérer et réduire le coût des recherches d'hyperparamètres de grande taille. Ces améliorations, basées sur le moteur d'optimisation bayésien de SageMaker, visaient à rendre l'optimisation bayésienne des hyperparamètres (HPO) beaucoup plus rapide et pratique pour les modèles réels nécessitant une puissance de calcul importante.
• En août 2023, Google a annoncé lors de Google Cloud Next une série d'améliorations apportées à Vertex AI (notamment des améliorations concernant Vizier/l'optimisation des hyperparamètres et les flux de travail AutoML), renforçant ainsi le rôle de Vertex AI Vizier en tant qu'optimiseur bayésien/boîte noire à l'échelle du cloud pour les entreprises ayant besoin d'une optimisation automatisée des hyperparamètres et d'une gestion des expériences prêtes pour la production.
• En juillet 2023, une série de guides pratiques et d'articles de blog (ainsi que des exemples de cas Vertex AI) ont mis en lumière comment les flux de travail Vizier/Bayésiens réduisent les coûts liés aux entraînements répétitifs. Ces études ont démontré la migration des entreprises des recherches manuelles/par grille vers l'optimisation bayésienne pour les charges de travail à grande échelle et ont documenté des gains concrets en termes de coûts et de temps dans le domaine du ML en production. Ces études de cas, réalisées par la communauté et les fournisseurs, ont contribué à accélérer l'adoption de ces solutions dans tous les secteurs d'activité.
• En octobre 2024, la littérature scientifique et technique a continué de faire progresser les méthodes d'optimisation bayésienne (des articles et des rapports techniques portant sur la scalabilité, les approches multi-fidélité et l'optimisation bayésienne pour les problèmes d'architecture neuronale et d'optimisation hyper-optique ont été publiés), témoignant d'une R&D active qui a permis aux outils bayésiens de traiter des problèmes de plus grande dimension et de s'intégrer aux chaînes d'outils AutoML et MLOps. Ces travaux ont directement influencé à la fois les projets open source (Optuna, BoTorch, Nevergrad) et les offres cloud.

SKU-75062