La prédiction tabulaire, livrée avec sa preuve.
Déposez une table — CSV ou extraction de base — PrediTable la transforme en modèle prédictif en une seconde : imputation, scoring, détection d'anomalies. Chaque résultat arrive avec un reçu d'audit vérifiable. Sans entraînement, sans datascientist, sans GPU.
Un modèle de fondation pour les données tabulaires
Comme les grands modèles de langage ont appris le texte, un Tabular Foundation Model a appris la structure des tables sur des millions d'exemples. Il prédit sur vos colonnes sans être ré-entraîné — il raisonne en contexte à partir de vos quelques lignes.
Aucun apprentissage à lancer
Le modèle lit votre table et prédit. Nouveau jeu de données = résultat immédiat, sans réglage d'hyperparamètres ni pipeline à maintenir.
Fort là où les données manquent
Là où les méthodes classiques exigent des dizaines de milliers d'exemples, il performe dès quelques centaines de lignes — le régime des vrais cas métier.
Local et on-premise
Tourne sur CPU, chez vous. Le modèle se sauvegarde sans les données d'entraînement — vos données ne sortent pas de votre infrastructure.
Un modèle par table
Chaque table, chaque client, chaque événement obtient son propre modèle instantané — sans multiplier les pipelines ni les coûts d'exploitation.
Calibré et explicable
Probabilités calibrées, importance des colonnes, contrôle qualité intégré. Chaque prédiction est auditable, pas une boîte noire.
Embarquable partout
Dans votre base (fonction SQL), votre ETL, votre CRM, votre application — la prédiction là où vos équipes travaillent déjà.
Chaque prédiction arrive avec un reçu.
N'importe qui peut brancher un modèle de fondation tabulaire — ils sont publics. Notre différence : la confiance auditable, un protocole d'évaluation qu'on ne peut pas truquer, hérité de la finance quantitative la plus exigeante. En santé, en assurance, en crédit — partout où une prédiction engage — c'est la frontière entre « ça marche sur mon portable » et « je peux le déployer et le défendre ».
Scellé avant le calcul
L'hypothèse est horodatée et hachée avant le moindre entraînement. Impossible de réécrire l'histoire après coup, impossible de choisir le résultat qui arrange.
Temps purgé
On teste sur des données strictement postérieures, avec un embargo. Le futur ne fuit jamais dans le passé — le piège numéro un des faux backtests.
Canari anti-fuite
On rejoue chaque test avec les étiquettes mélangées. Si le score monte quand même, il y a une fuite : le run est annulé, pas publié.
Jugé une seule fois
Un verdict, une fois, gravé. Pas de « on réessaie jusqu'à ce que ça marche » — la recette silencieuse de la plupart des résultats invérifiables.
Probabilités calibrées
« 30 % de risque » veut dire 30 %. Vous pouvez dimensionner, provisionner, décider sur le chiffre — pas seulement le classer.
Baseline honnête
On mesure toujours contre le modèle simple à battre. Pas de « +20 % » sorti d'un chapeau : le gain est réel, chiffré, reproductible.
Donnez-lui une table trouée. Regardez-le la compléter.
Déposez un CSV avec des cellules vides, ou lancez l'exemple. PrediTable les remplit en analysant les colonnes présentes. Calcul 100 % local, aucune donnée envoyée. Modifiez le fichier et re-déposez-le : le résultat change vraiment — le moteur complet TabICL est plus précis encore.
Glissez un fichier CSV ici ou
Les cellules prédites sont surlignées. Calcul en direct, aucun truquage.
Une capacité, une entrée, une sortie
Pas d'abstraction : pour chaque verbe, voici l'appel réel et ce qui revient. Même moteur, même reçu d'audit à chaque fois.
→ Résultat
| client_id | risque | proba |
|---|---|---|
| C-4471 | churn | 0,94 |
| C-1180 | churn | 0,89 |
| C-8023 | rester | 0,12 |
Entrée — cellules vides (∅)
| ville | population | densité |
|---|---|---|
| Bordeaux | 260 000 | ∅ |
| Lille | ∅ | 6 612 |
→ Sortie — complétée en contexte
| ville | population | densité |
|---|---|---|
| Bordeaux | 260 000 | 4 629 |
| Lille | 232 000 | 6 612 |
Un trade normal champ par champ…
| instrument | qté | prix | vs mid |
|---|---|---|---|
| OAT 10Y | 5 M | 98,10 | +0,02 |
| OAT 10Y | 5 M | 91,40 | −6,7 |
| source | nom | id |
|---|---|---|
| Interne | ACME Corp. | FR0000120271 |
| Broker | Acme Corporation | ACME.PA |
→ Verdict
| même entité | confiance | reçu |
|---|---|---|
| oui | 0,97 | a91f…3d |
Ces exemples sont illustratifs (valeurs représentatives). Le seul résultat mesuré et scellé du site est le benchmark ci-dessous — c'est notre règle d'honnêteté.
2 321 sociétés réellement sorties de cote. Un seul verdict.
Hypothèse scellée avant le calcul, temps purgé pour interdire toute fuite, canari anti-triche lancé — puis mesuré. Sur de vraies entreprises sorties de cote, le modèle de fondation bat l'arbre de gradient, l'étalon du secteur.
| Modèle | AUC | Décile haut·risque |
|---|---|---|
| Régression logistique (plancher) | 0,704 | 1,0× |
| Gradient boosting (étalon) | 0,743 | — |
| Modèle de fondation (TabICLv2) | 0,779 | 4,3× |
Le modèle de fondation obtient la meilleure AUC et capte 4,3× plus de sorties de cote dans son décile le plus à risque — le chiffre qui compte pour prioriser un suivi.
Verdict scellé, jugé une seule fois, non rejouable. La reproduction est publiée dans le registre interne des claims.
Périmètre honnête : signal prix/volume seul — l'ajout des fondamentaux est la prochaine marche. 34 000 lignes d'apprentissage = échelle moyenne, pas le régime « big data » où un arbre bien réglé peut repasser devant. Le verdict porte sur « fondation ≥ gradient », pas sur « produit fini ». Une preuve auditée dit aussi ses limites.
Une table, une colonne à prédire — partout
La même technologie, appliquée partout où il y a une table et une cible. 16 secteurs, 83 cas documentés. Dépliez un secteur pour le détail.
Un CSV entre. Des prédictions calibrées, et leur reçu, sortent.
Déposez une table, nommez la colonne à prédire — un modèle servi en quelques dizaines de millisecondes, avec sa métrique de validité et un reçu signé. Aucune data science requise côté appelant.
/predictprédire une colonne à partir des autres — classification ou régression./imputeremplir les champs vides d'une table, colonne par colonne./anomalyflaguer les lignes aberrantes, y compris les anomalies multi-colonnes./matchdécider si deux enregistrements sont la même entité — dédup, réconciliation.Chaque réponse embarque un reçu signé — baseline mesurée, état du canari, calibration. Votre conformité peut le vérifier, pas une boîte noire.
Disponible aujourd'hui en on-premise / local. L'API hébergée multi-tenant est en accès anticipé — demandez votre clé.
De votre table à la prédiction en production
Quelle colonne prédire, quelle table, quel gain métier — atelier de cadrage.
CSV, base SQL, data warehouse : connecteur en lecture seule, aucune migration.
Le modèle de fondation sert vos prédictions — calibrées, auditées, sans entraînement.
API, fonction SQL, ou embarqué dans votre outil. Local, cloud ou on-premise.
Ce qu'on livre
Un service de prédiction audité — baseline honnête, canari anti-triche, métriques réelles. Pas une boîte noire.
Ce qu'on nous demande le plus
Qu'est-ce qu'un modèle de fondation tabulaire ? ▾
Un modèle pré-entraîné sur des millions de tables qui prédit sur vos colonnes sans être ré-entraîné : vous lui donnez quelques lignes d'exemple, il répond en contexte. Comme un modèle de langage a appris le texte, celui-ci a appris la structure des données tabulaires.
Faut-il un GPU ? ▾
Non. Le modèle tourne sur CPU, en local. Les démos de ce site calculent même entièrement dans votre navigateur, sans serveur. Aucun GPU à acheter.
En quoi est-ce différent de XGBoost / AutoML ? ▾
Pas la précision brute — le mode de déploiement : zéro entraînement, un modèle par table, fort sur petites données, démarrage à froid, servi sur CPU. On peut re-régler un arbre ; on ne peut pas lui donner ces propriétés.
Bat-il vraiment un arbre de gradient ? ▾
Sur notre test scellé (2 321 sociétés réellement sorties de cote) : AUC 0,779 vs 0,743, 4,3× au décile de risque. Hypothèse scellée avant le calcul, jugée une fois. Voir « Une preuve, pas une promesse ».
Mes données restent-elles privées ? ▾
Oui. Exécution locale / on-premise ; le modèle se sauvegarde sans vos données. Les démos publiques ne transmettent rien.
Quelle taille de données faut-il ? ▾
De quelques centaines à quelques dizaines de milliers de lignes : le point fort. Sur des millions de lignes, un arbre bien réglé peut reprendre l'avantage — on le dit.
Que veut dire « prédiction auditée » ? ▾
Hypothèse scellée avant le calcul, temps purgé, canari anti-fuite, jugé une fois, probas calibrées. Chaque prédiction arrive avec un reçu vérifiable.
Peut-on l'essayer sur nos propres données ? ▾
Oui : déposez un CSV dans la démo du site pour un aperçu immédiat, ou contactez-nous pour une évaluation sur vos vraies données, mesurée honnêtement.
Vous avez une table. Vous avez un cas.
Dites-nous ce que vous voulez prédire — on vous montre le résultat sur vos vraies données, mesuré honnêtement, avec son reçu.