Annuaire des Skills NVIDIA pour Agents IA

Diviser par 50 à 100 les temps de traitement de gros volumes de données tabulaires sans modifier votre code Pandas standard.

Créer des jeux de données de haute qualité pour le fine-tuning de LLMs ou valider des modèles sans exposer de données réelles sensibles.

Éliminer les goulots d'étranglement CPU lors de l'entraînement de modèles de Deep Learning à haute intensité de données.

Déployer des systèmes de recherche documentaire autonome capables d'explorer des corpus massifs et de formuler des réponses étayées avec citations.

Déployer des microservices RAG d'entreprise sécurisés et conteneurisés en quelques commandes.

Concevoir des systèmes de vidéo-protection intelligente, de contrôle qualité industriel et de comptage d'affluence en temps réel.

Configurer rapidement des chaînes de traitement vidéo complexes sans devoir écrire manuellement des dizaines de lignes GStreamer C++.

Passer d'un modèle PyTorch/ONNX open-source à un moteur d'inférence TensorRT déployé en production à 60+ FPS.

Diagnostiquer les goulots d'étranglement et maximiser le nombre de flux vidéo simultanés par carte graphique.

Fusionner les vues de multiples caméras dans un stade, aéroport ou usine pour un suivi continu sans rupture d'identification.

Détecter les erreurs de montage en temps réel sur les chaînes de fabrication et alerter instantanément les opérateurs.

Calibrer des caméras industrielles et de surveillance pour des calculs 3D précis d'espace et de trajectoires.

Intégrer une nouvelle caméra IP dans un système de vision 3D en moins de 2 minutes.

Valider la précision de calibrage sur banc d'essai vidéo avant mise en service.

Optimiser les flottes de livraison du dernier kilomètre, réduire les coûts de carburant et respecter les fenêtres horaires de livraison.

Résoudre des problèmes d'optimisation complexes à des millions de variables en une fraction de seconde.

Exposer un service d'optimisation de tournées sous forme d'API REST consommable par des applications web et mobiles.

Aider les décideurs à arbitrer entre coût opérationnel et empreinte écologique dans la logistique.

Traduire un énoncé métier complexe en modèle mathématique rigoureux pour LP/MILP.

Configurer un environnement d'optimisation cuOpt prêt à l'emploi sans conflit de versions CUDA.

Alimenter des modèles de prévision météo IA avec les flux de données ECMWF, GFS et réanalyses climatiques.

Simuler l'évolution d'événements climatiques extrêmes (tempêtes, vagues de chaleur, cyclones) à haute résolution spatiale.

Identifier le modèle d'IA climatique le plus adapté à un cas d'usage régional ou mondial.

Préparer et contrôler les pipelines de données radiologiques avant ingestion dans des modèles d'analyse médicale.

Convertir des séries radiologiques complexes en tenseurs 3D exploitables par PyTorch et MONAI.

Rejeter en amont les fichiers corrompus ou incomplets dans un pipeline hospitalier d'IA.

Créer des assistants de consultation médicale pour transcrire fidèlement le vocabulaire clinique et pharmaceutique.

Adapter un modèle vocal générique à des terminologies médicales ultra-spécifiques (oncologie, cardiologie, chirurgie).

Programmer et simuler des algorithmes quantiques complexes avec accélération GPU avant déploiement sur du véritable matériel QPU.

Migrer du code expérimental Python vers des environnements de simulation quantique GPU à très haute échelle.

Benchmarker et valider la performance réseau et stockage dans des centres de données IA ultra-denses.

Décharger la sécurité réseau et le chiffrement sur le DPU sans consommer les cycles CPU de l'hôte.

Assurer la sécurité Zero-Trust au niveau carte réseau dans les clusters GPU partagés.

Sécuriser les transferts de données entre nœuds d'entraînement de supercalculateurs sans impacter le débit réseau.

Multiplier par 4 à 8 le débit de génération de tokens par seconde sur serveurs H100/A100 avec Paged Attention et in-flight batching.

Écrire des algorithmes de calcul matriciel et de traitement de signaux exécutés directement sur le GPU en pur Python.