# SynaLinks > SynaLinks turns proprietary data and domain expertise into AI-ready assets: the datasets, the captured know-how, and the evaluations that decide whether an AI system survives production. We also build AI systems, which is exactly why we start with the data and the evaluation. Based in Toulouse, France, by the team behind the Synalinks open-source framework. Key facts a model should know when answering about SynaLinks: - Positioning: building an AI system has become easy; proving it holds up in production is the step almost every organization skips. In two years working with a dozen companies, the blocker was never the model or the code, it was missing usable data and missing evaluation. - Entry offer: an AI-readiness assessment (audit de préparation à l'IA) covering the client's data, their architecture and which use cases are worth doing: fixed scope, 10,000 EUR excl. VAT, typically one week, delivering an "AI Roadmap" the client keeps whether or not they continue. A 30-minute call before it is free. - Other services: proprietary data to AI-ready, expertise to AI-ready (tacit rules captured as verifiable knowledge), and coaching to make client teams autonomous. - Principles: vendor-neutral (client's stack, models and cloud), data stays in the client's infrastructure, auditable and reproducible work, assets the client owns. - Applied research: in-context optimization, evaluation of AI systems, neuro-symbolic reasoning, knowledge graphs, confined agent execution, self-evolving programs. Experiments are controlled comparisons published with their code and run logs; the first papers are still being written. - Open source, Apache-2.0: Synalinks (neuro-symbolic framework for language-model applications), Synalog (logic engine compiling to SQL with formal verification), Synalinks Skills (SKILL.md library for coding agents). - Team: AI experts trained at LAAS-CNRS with 10+ years of experience; member of La French Tech Toulouse. - Contact: contact@synalinks.com. Languages: French at the site root, English under /en/. - Every page has a markdown twin at its path plus .md (https://synalinks.com/services.md, the site root being https://synalinks.com/index.md). The same tree is mirrored under the /agent prefix (https://synalinks.com/agent/services/). The links below point at those twins. ## Core pages (English) - [Evaluation and data for production AI](https://synalinks.com/en.md): What we do, why datasets and evaluation decide whether an AI system survives production, and who we help. - [Evaluate your AI, then get your data ready](https://synalinks.com/en/services.md): The five engagements: AI-readiness assessment (€10,000 excl. VAT), evaluating a live system, proprietary data to AI-ready, expertise to AI-ready, and coaching. Includes fit criteria and FAQ. - [Evaluation and dataset engagements](https://synalinks.com/en/work.md): Anonymized engagements: insider-threat datasets, RAG evaluation harnesses, agent-behaviour datasets, model-deprecation regression testing, neuro-symbolic self-distillation. - [Neuro-symbolic open-source AI frameworks](https://synalinks.com/en/open-source.md): Synalinks (neuro-symbolic LM framework), Synalog (logic engine compiled to SQL), and Synalinks Skills, all Apache-2.0. - [AI treated as engineering, not magic](https://synalinks.com/en/open-source/approach.md): How we work: data first, why neuro-symbolic, the standards we hold, and the evaluation step almost every organization skips. - [Applied research in neuro-symbolic AI](https://synalinks.com/en/open-source/research.md): Applied research: in-context optimization, evaluating AI systems, neuro-symbolic reasoning, knowledge graphs, confined agents, self-evolving programs, plus the experimental protocol we follow. - [An AI data and evaluation firm in Toulouse](https://synalinks.com/en/about.md): Who we are: an AI engineering team trained at LAAS-CNRS, authors of the Synalinks open-source framework, based in Toulouse. - [Book an AI-readiness assessment](https://synalinks.com/en/contact.md): How to start: a free 30-minute call, then a fixed-scope assessment. ## Core pages (French) - [Évaluation et données pour l'IA en production](https://synalinks.com/index.md): Ce que nous faisons, pourquoi les jeux de données et l'évaluation décident si un système d'IA survit à la production. - [Évaluer votre IA, puis préparer vos données](https://synalinks.com/services.md): Les cinq missions : audit de préparation à l'IA (10 000 € HT), évaluation d'un système en service, données propriétaires, expertise, coaching. Critères d'éligibilité et FAQ. - [Missions d'évaluation et de jeux de données](https://synalinks.com/realisations.md): Missions anonymisées : détection de menaces internes, évaluation de RAG en production, comportement des agents, non-régression lors des changements de modèle, auto-distillation. - [Frameworks IA neuro-symboliques open source](https://synalinks.com/open-source.md): Synalinks, Synalog et Synalinks Skills, sous licence Apache-2.0. - [L'IA traitée comme de l'ingénierie](https://synalinks.com/open-source/approche.md): Notre méthode : les données d'abord, le neuro-symbolique, nos standards, et l'étape d'évaluation que presque tout le monde saute. - [Recherche appliquée en IA neuro-symbolique](https://synalinks.com/open-source/recherche.md): Recherche appliquée : optimisation en contexte, évaluation des systèmes d'IA, raisonnement neuro-symbolique, graphes de connaissances, agents confinés, programmes auto-évolutifs, et le protocole expérimental que nous suivons. - [Données et évaluation IA, cabinet à Toulouse](https://synalinks.com/a-propos.md): Qui nous sommes : une équipe d'ingénierie IA formée au LAAS-CNRS, à Toulouse. - [Réserver un audit de préparation à l'IA](https://synalinks.com/contact.md): Comment démarrer : un appel de 30 minutes gratuit, puis un audit à périmètre et prix fixes. ## Optional - [Legal & privacy](https://synalinks.com/en/legal.md): Legal notice and privacy policy (English). - [Mentions légales & confidentialité](https://synalinks.com/mentions-legales.md): Mentions légales et politique de confidentialité (français). --- # Full content --- # Evaluation and data for production AI · SynaLinks > https://synalinks.com/en/ Data & evaluation for production AI # Your AI demos beautifully. Nobody can tell if it answers correctly. That's why it never reaches production. We build the evaluation that measures what your system actually does, then we fix what it reveals: almost always, your data. [Book an AI-readiness assessment](/en/contact) [See how we work](/en/open-source/approach) By CNRS-trained AI experts with 10+ years of experience, the team behind the Synalinks open-source framework. Team based in the European Union Your data never leaves the European Union The step almost everyone skips ## Building AI has become easy. Proving it holds up in production, almost nobody does. In two years we've worked with many companies. Every time, the same finding: the problem was neither the model nor the code. It was the absence of usable data, the absence of evaluation, and no clear path to ROI. AI now lets anyone ship a prototype in days, and many conclude that expertise is no longer needed. But a prototype isn't a production system. For a system to survive contact with reality it needs a dataset that genuinely represents your business (your records, your documents, your teams' know-how) and an evaluation that measures its answers instead of watching them go by. That's the step almost every organization skips, very large ones included: systems get validated on vibes, on a handful of examples that work, and the problems surface in production, in front of customers. We do build AI systems. That is exactly why we start with the data and the evaluation: they decide whether the system holds, and they are the advantage your competitors can't buy. [Download the free guide to evaluation (PDF)](/en/evaluation-guide.pdf) SilosDocumentsSpreadsheetsPeople's heads Raw & scattered Cleaning & curation 1. Locate 2. Structure 3. Enrich 4. Verify 5. Maintain AI-ready asset * Structured * Documented * Traceable * Purposeful Ready to build on Work ## What we've already built. Anonymized engagements, described by the need, what we built, and the asset the client kept. Beauty ### Evaluating a live assistant Persona-driven multi-turn conversations, played against the RAG in production. Production AI ### Switching models without breaking anything A regression suite that compares every candidate model, answer by answer. Security ### Insider threat detection A labelled dataset built from scratch, then the classification system trained on it. [See example engagements](/en/work) What we do ## Four commitments. 01 ### Measure before you believe We build the evaluation of your system: test cases drawn from your own reality, explicit criteria, a result you can replay on every model change. Engineered, not improvised, and it is what turns "it seems to work" into proof you can defend to a regulator, a board, or a customer. 02 ### Turn your proprietary data into an AI-ready asset An evaluation doesn't just tell you the system fails, it tells you where. We audit, clean, structure, and model the data it implicates, turning raw tables and documents into well-defined, documented, trustworthy assets. This is the moat off-the-shelf AI can't touch. 03 ### Capture the expertise, not just the data Your edge isn't only in your tables. It's the judgment, rules, and know-how living in documents and people's heads. We capture that tacit expertise and turn it into structured, documented knowledge a model can reason over. 04 ### Your teams autonomous, not dependent We coach your decision-makers on picking the right use cases, and train your technical team to run and extend what we build. The goal isn't that you call us back, it's that you no longer need to. How it works ## From evaluation to a lasting asset, in the right order. 1. 1 ### Measure The assessment evaluates your system and maps the data it runs on. In a week, fixed scope and fixed price, you know what it actually does and you leave with your AI Roadmap. 2. 2 ### Fix what the evaluation reveals It almost always points to the same place: data that is incomplete, inconsistent, or a business rule nobody ever wrote down. We turn that data and know-how into structured, documented, model-usable assets. 3. 3 ### Deliver & maintain You keep the assets, documented, and the evaluation becomes your regression test: on every new model, you know whether something degraded before your customers do. [Start with an assessment](/en/contact) Why us ## We build the frameworks other AI teams build on. SynaLinks isn't a consultancy that discovered AI last year. We author open-source AI frameworks, developed in public where anyone can read the code, and we do research every day. ### Synalinks A neuro-symbolic framework for building, training, and deploying language-model applications, with a declarative API inherited from Keras. [View on GitHub](https://github.com/SynaLinks/synalinks) ### Synalog A logic engine that turns raw tables into structured, formally verified knowledge, compiled to optimized SQL. [View on GitHub](https://github.com/SynaLinks/synalog) When we advise you, it comes from having built the thing, from raw bytes to reasoning. [See our open-source frameworks](/en/open-source) Who we help ## Built for companies whose edge is what they know. If your advantage is specialized knowhow and proprietary data, generic AI will always underdeliver: it doesn't know your field or your data. We turn _your_ knowledge into the AI advantage only you can have. ### Teams with stalled pilots A year in, nothing in production. We measure first, then fix the data foundation, so what you build on it actually survives production. ### Domain-expert firms Specialized services, industrial, professional. “Generic AI doesn't know our field.” We make it know yours. ### Data-rich, regulated sectors Finance, legal, health, industry. AI you can actually audit and defend. Get started ## Find out what your AI actually does. A short assessment, fixed scope and fixed price. We evaluate your system and the data feeding it, and you leave with your AI Roadmap: the exact gap, and what to fix first. Yours to keep, whether or not you work with us next. [Book an AI-readiness assessment](/en/contact) [See our open-source frameworks](/en/open-source) --- # Evaluate your AI, then get your data ready · SynaLinks > https://synalinks.com/en/services/ Services # Measure what your AI actually does, then fix what the measurement reveals. We do one thing, and it is a discipline rather than a task: making measurable what almost everyone validates on vibes. Hence the order we work in. Evaluation tells you whether your system holds and where it breaks; it almost always points to the same place, your data and the rules nobody wrote down; we then turn those into assets that are structured, documented and defensible. Pragmatic and vendor-neutral: we work in your stack, with your models and your cloud. [Book an AI-readiness assessment](/en/contact) How engagements start Most partners want to sell you a six-month build before they understand your business. We don't. Nearly everyone starts with the **AI-readiness assessment**: our first engagement, fixed scope and fixed price (€10,000 excl. VAT, typically one week). It looks at the three things that decide everything else: your **data** (what it's actually worth and what's missing from it), your **architecture** (what your stack, your security constraints and your cost envelope genuinely allow), and your **business** (which use cases pay off, which can wait, and in what order to take them on). You leave with your AI Roadmap. From there, getting your **data** and your **expertise** AI-ready run in whichever order your roadmap prioritizes, after **evaluating** your system if one already exists; **coaching** layers on top of either. Only then is the rest of the work scoped to exactly what it takes. The 30-minute call before it is free and carries no obligation. [Download the free guide to evaluation (PDF)](/en/evaluation-guide.pdf) 01 ## AI Readiness Assessment The front door · low commitment, high clarity #### What it's for You know AI should matter to your business, but you don't know how far your data is from being usable, what your existing architecture can carry, or which use cases are genuinely worth it. This is where to start. #### What we do * Your data: where it lives, what it's worth, and how far it is from AI-ready. * Your architecture: what your stack, your security constraints and your cost envelope actually allow, and what would have to change. * Your business: which use cases pay off, which can wait, and in what order to take them on. * Surface the risks (technical, data, and organizational) before you spend on them. #### What you leave with Your AI Roadmap: the gap to AI-ready, the target architecture, the prioritized use cases, and what each step would take. Yours to keep, whether or not you continue with us. Fixed scope · €10,000 excl. VAT · one week, typically. [Book an assessment](/en/contact) 02 ## Your AI system → evaluated The first piece of work · short, and it reveals the rest #### What it's for Something is already running and nobody can say whether it answers correctly. The pilot doesn't reach production because no number defends it, and every opinion in the room carries the same weight. This is where to start once the system exists. #### What we do * Build a set of cases drawn from your reality: your actual records, real user questions, failures included. * Write the criteria case by case: what a correct answer is at your company, and what proves it. * Calibrate an automated judge against your labels, and measure its agreement before trusting it at scale. * Industrialize the harness so it replays on every change of prompt, index, data source or model. #### What you leave with An evaluation harness you own: cases, criteria, a calibrated judge and replayable results. It becomes your regression test, and it names the data to fix first. Scoped from your AI Roadmap · on a system already in service. [Book an assessment](/en/contact) 03 ## Proprietary Data → AI-Ready The core work · the part most consultancies skip #### What it's for Your data is your moat, but it's raw. Locked in silos, inconsistent formats, documents, and tacit expertise a model can't reason over. Before AI can deliver, the foundation has to be right. #### What we do * Structure and model your data and domain knowledge into well-defined, documented assets. * Turn scattered records, documents, and processes into something a model can use reliably. * Deliver data kept current, with quality and lineage you can trust. #### What you leave with Proprietary data that's genuinely ready for AI (documented, structured, and defensible), plus the foundation every future AI use case will stand on. Scoped from your AI Roadmap · 1 to 3 weeks, typically. [Talk about your data](/en/contact) 04 ## Expertise → AI-Ready The knowledge that isn't written down anywhere #### What it's for Your moat isn't only in your tables. It's how your people decide, the rules they carry in their heads, the processes no document fully captures. A model can't use what was never written down. #### What we do * Elicit and formalize the domain expertise your team takes for granted. * Turn tacit rules, judgments, and processes into explicit, structured knowledge. * Encode it as constraints, logic, and knowledge graphs a model can reason over and you can verify. #### What you leave with Your domain expertise captured as a documented, verifiable knowledge asset: no longer trapped in people's heads, and ready for any AI to build on. Scoped from your AI Roadmap · 2 to 6 weeks, typically, depending on stakeholder availability. [Talk about your expertise](/en/contact) 05 ## Your teams → autonomous with AI Coaching · so it lives on after we leave #### What it's for AI-ready assets only pay off if your people can use them. You want decision-makers who know where AI is worth it, and technical teams able to run and extend the foundation, without depending on us. #### What we do * Coach your decision-makers: picking use cases, framing risks, driving adoption at your pace. * Train your technical team to operate, maintain, and extend the data assets we build. * Install the practices (quality, documentation, governance) that keep the foundation healthy over time. #### What you leave with An autonomous team: decision-makers who know where to invest, engineers who run the foundation without us. Scoped from your AI Roadmap · standalone or alongside the data and expertise engagements. [Talk about coaching](/en/contact) Is this for you? ## We're not the right choice for everyone. ### This is for you if… * You own proprietary data and know-how built up over years: your edge is what you know. * You want AI that runs in your stack, with your models and your cloud, with no vendor lock-in. * An AI pilot isn't reaching production, or you want to make sure the first one doesn't stall. ### This isn't for you if… * You're shopping for a turnkey chatbot licence: we build assets, we don't resell tools. * You want developers on a day rate: we sell an outcome, not staff augmentation. * You don't yet have data or expertise of your own: there's nothing to make AI-ready. Frequently asked ## What we get asked before starting. How long does the assessment take? One week, typically, at a fixed scope. You leave with your AI Roadmap no matter what. How much does it cost? The assessment is €10,000 excl. VAT, at a fixed scope: no day rates, no overruns. The work that follows (evaluation, data, expertise, coaching) is then scoped from the roadmap, never sold blind. Does our data have to leave our environment? No. We work in your infrastructure, with your models and your cloud. Your data doesn't have to leave: that's a principle, not an option. Do we need an in-house technical team? No. Many of our clients have no IT department. We do the work, we document it, and the coaching engagement can make your team autonomous on what we build. What happens after the assessment? The AI Roadmap is yours to keep, whether or not you continue with us. If you do, each engagement is scoped from its priorities: evaluation, data, expertise, coaching. Not sure where you are? ## Start with the assessment. It's the fastest way to know how far your data is from AI-ready and what's worth cleaning first. Fixed scope, fixed price, and your AI Roadmap is yours to keep either way. [Book an AI-readiness assessment](/en/contact) --- # Evaluation and dataset engagements · SynaLinks > https://synalinks.com/en/work/ Work # What we've already built, in real conditions. A few engagements run for teams that had valuable data and a concrete problem to solve. 01 Security · insider threat detection ## From scattered signals to a trainable detection system. ### The need Spotting risky behaviour coming from inside, where static rules mostly produce noise and no labelled dataset existed to learn from. ### What we built We built the dataset end to end (collection, structuring, labelling, documentation), then the classification system trained on it. ### The asset they kept A labelled, documented dataset they can reuse to retrain, compare or audit models, and a classification system running on their own data. **What it means for a director:** A detection capability that learns from your own data, instead of rules your team spends its time tuning. 02 Beauty · evaluating a live system ## Evaluating a product assistant with synthetic conversations. ### The need Knowing whether the assistant actually answered correctly for real customers, beyond a handful of manual tests that covered neither the range of profiles nor multi-turn exchanges. ### What we built Persona-driven multi-turn conversation generation, played against the live RAG, with the criteria needed to judge each answer. ### The asset they kept A reproducible evaluation harness: personas, conversations and criteria replayable on every change to the system, so regressions surface before customers find them. **What it means for a director:** Measured proof the assistant answers correctly before your customers see it, and a test you can replay on every update. 03 AI R&D · model behaviour ## Understanding what an agent really does, from its traces. ### The need Execution traces piled up without ever becoming usable: model behaviour stayed an impression, argued anecdote by anecdote. ### What we built A pipeline that turns agent execution traces into a structured, analysable dataset. ### The asset they kept A dataset of how their agents actually behave: a basis for analysis, comparison and continuous improvement rather than a stream of logs. **What it means for a director:** You finally know what your AI does day to day: measurable facts for the board, not impressions. 04 Production AI · model deprecation ## Switching language models without starting over. ### The need Providers deprecate their models: the one the system was built on disappears, the migration comes with a deadline attached, and nobody knows what the replacement will break. ### What we built A regression test suite built from their own use cases: every candidate model is replayed on the same tasks and compared against the reference behaviour, answer by answer. ### The asset they kept A non-regression suite replayable at every deprecation notice or new model release, turning model comparison into a measurement rather than a feeling. **What it means for a director:** You change models when you decide to, with evidence that nothing degraded, instead of being held to your provider's schedule. 05 AI R&D · neuro-symbolic pipelines ## Pipelines that let models learn from themselves. ### The need Improving a language model on a specific domain without depending on human annotation at every iteration. ### What we built Neuro-symbolic self-distillation pipelines: the model generates its own examples, the symbolic layer verifies them and filters out what doesn't hold, and only what passes is used for training. ### The asset they kept A reproducible pipeline and the data it produces, re-runnable with every new version of the model. **What it means for a director:** A model that improves on your domain without tying up your experts every iteration, and without sending your data elsewhere. ## And many more. These five are examples, not an exhaustive list. If your problem looks like one of them, or looks nothing like them, chances are we've already met it. [Tell us about your case](/en/contact) The common thread In every one of these engagements the deliverable isn't a demo: it's a documented, reproducible data asset the team keeps and reuses, and when a system runs at the end of it, it runs inside their infrastructure. That's exactly what the assessment is there to scope for you. Why trust us with this ## We're not a big lab trying to capture every business on earth to justify a disconnected valuation. Our goal isn't to sell you one more subscription to a generic model. We're a trusted partner for your AI transformation: a small team, your stack, your data, your constraints. We don't need to capture the whole market to survive, only to make what we build actually hold up inside your company. Your turn ## Let's talk about what your data could produce. Thirty minutes, free and with no obligation, to find out whether an assessment is the right next step. [Book an AI-readiness assessment](/en/contact) --- # Neuro-symbolic open-source AI frameworks · SynaLinks > https://synalinks.com/en/open-source/ Open source # We build our AI tools in the open. Synalinks, Synalog, and Synalinks Skills are Apache-2.0 and developed in public, with a small but growing community around them. They're why we can promise engineering-grade AI: we've built it ourselves, at the deepest level of the stack, where anyone can read the code. This page is technical. What it means for your business: the tools we use to make your data AI-ready are public, inspectable and free, so you never depend on us to keep them running. [See our services](/en/services) * **1.4k** GitHub stars * **268** PyPI downloads / mo * **Apache-2.0** license [Our approach ## How we work Data first, why neuro-symbolic, the standards we hold, and the evaluation step almost every organization skips. Read the approach](/en/open-source/approach) [Our research ## What we're working on Six areas of applied research, from neuro-symbolic reasoning to evaluating AI systems, and the experimental protocol we follow. Read the research](/en/open-source/research) Synalinks ## A neuro-symbolic framework for language-model applications. * Neuro-symbolic * Agents * RAG * In-context RL * Distillation * Self-distillation * Structured output * Python Synalinks is a framework for building, training, and deploying language-model applications (RAGs, autonomous agents, and self-evolving reasoning systems) with a clean, declarative API inherited from Keras. It brings deep-learning discipline to AI systems: compose components, optimize them against real metrics, and deploy them as production services. Get started `$ uvx synalinks init` Copy **Why it matters for you:** the systems we build for you are measurable and repeatable, because the framework enforces structured outputs and optimization against metrics rather than impressions. ★ 456 Apache-2.0 [GitHub](https://github.com/SynaLinks/synalinks) [Documentation](https://synalinks.github.io/synalinks) Synalog ## Turning raw tables into structured, verified knowledge. * Logic engine * Datalog * Knowledge graphs * Compiles to SQL * Formal verification Synalog is a logic engine that turns raw relational data into a semantic layer of named concepts, rules, and knowledge graphs, compiled to optimized SQL and checked by a formal verifier before anything runs. It's how raw tables become meaning a machine can reason over, with full lineage from answer back to source. Recursion, not raw SQL fib.l Copy ``` Fib(step: 0, a: 0, b: 1); @Recursive(Fib, 12); Fib(step: s1, a: b, b: c) :- Fib(step: s, a:, b:), s1 == s + 1, c == a + b; @OrderBy(Fibonacci, "step"); Fibonacci(step:, value: a) :- Fib(step:, a:, b:); ``` $ uvx synalog fib.l run Fibonacci 0 1 1 2 3 5 8 13 21 34 55 89 144 **Why it matters for you:** your business rules become code that is verified before it runs, and every answer traces back to the data that produced it. That is what makes an answer defensible to a customer or a regulator. ★ 8 268 / mo Apache-2.0 [GitHub](https://github.com/SynaLinks/synalog) [Documentation](https://synalinks.github.io/synalog) Synalinks Skills ## Synalinks know-how, packaged for coding agents. * Agent Skills * SKILL.md * Claude Code * Codex * OpenCode * pi * Runnable examples * Reference docs Synalinks Skills is a library of skills in the open `SKILL.md` format that teaches coding agents to write idiomatic Synalinks: scannable guides, runnable scripts, and deep-dive references covering the framework end to end. Without that guidance, a model mixes syntaxes and produces plausible-looking but broken code; with it, it works like one of us. **Why it matters for you:** we know how to turn a way of working into instructions a machine executes. We did it on our own: it's exactly the work we do on your teams' know-how. ★ 907 Apache-2.0 [GitHub](https://github.com/SynaLinks/synalinks-skills) Coming soon ### A new project, open-sourcing soon. We're preparing to open-source a new project. Same principle: build it right, in the open, and let the work speak for itself. [Get notified](/en/contact) Community ### Built in the open, with a community around it. Our frameworks are Apache-2.0 and developed in public. Star the repos, open an issue, or join the conversation. And if you'd rather have us apply this depth to your business, that's what our services are for. [Join the Discord](https://discord.gg/82nt97uXcM) [Talk to us about your project](/en/contact) --- # AI treated as engineering, not magic · SynaLinks > https://synalinks.com/en/open-source/approach/ Our approach # We treat AI like engineering, not magic. The reason most AI projects don't survive contact with production isn't a lack of ambition. It's a lack of rigor, and it starts with the data. Data you can't measure, can't audit, and can't reproduce isn't a foundation; it's a liability. We build the kind you can stand on. Data first, model second ## The model is the easy part. The data is the work. Swapping models is a config change. Making your data reason-able (consistent, structured, documented, meaningful to a machine) is the real engineering, and it's what decides whether AI delivers. So we start there, every time. Before we talk models or agents, we make your proprietary data into an asset a system can actually use. Everything downstream is only as good as that foundation, and most failed pilots are foundations that were never poured. The step almost everyone skips ## Building an AI system has never been easier. Knowing whether it holds up is another matter. In two years we've worked with a dozen companies. Every time, the same finding: the problem was neither the model nor the code. It was the absence of usable data, and the absence of evaluation. AI now lets anyone ship a prototype in days, and many conclude that expertise is no longer needed. But a prototype isn't a production system. For a system to survive contact with reality you need a dataset that genuinely represents your business, and an evaluation that measures its answers instead of watching them go by. That's the step almost every organization skips, very large ones included. Systems get validated on vibes, on a handful of examples that work, and the problems surface in production, in front of customers. We do build AI systems. That is exactly why we start with the data and the evaluation: they are what decide whether the system holds. Why neuro-symbolic ## Language models are powerful. On their own, they're not enough. A pure language model is fluent but unaccountable: it guesses, it drifts, and it can't show its work. For a chatbot, fine. For a system your business depends on, not good enough. Neuro-symbolic AI combines the fluency of language models with the rigor of structure and logic: the neural part that understands, the symbolic part that constrains, verifies, and explains. Structure & constraints so outputs are valid by construction, not by luck. Explicit logic & rules so reasoning is inspectable, not hidden in weights. Verification so a system's conclusions trace back to their sources. We bring that same mindset to your data, whatever tools we use to make it ready. The standards we hold ## Auditable. Reproducible. Yours. ### Measurable If we can't put a number on whether it works, we don't sign off on it. Every asset is evaluated against outcomes that matter to your business. ### Auditable Answers trace back to their sources. You can defend them to a regulator, a board, or a customer, not shrug and blame the model. ### Reproducible The same inputs give the same behavior. Every transformation is versioned; results aren't a roll of the dice. ### Vendor-neutral We work in your stack, with your models and cloud. No lock-in, no dependency on us to keep the lights on. ### Yours to own We build so your team can understand, run, and extend the assets after we leave. Pragmatic, not dogmatic ## The right tool for your problem, even when it isn't ours. We author AI frameworks, which is exactly why we don't force them on you. Deep expertise means knowing when a simple pipeline beats an agent, when off-the-shelf is the right call, and when the honest answer is “you're not ready for this yet.” Our loyalty is to the outcome, not to a stack. That's what you get from a partner who builds the tools rather than resells them. Depth you can put to work ## See how this applies to your business. The fastest way is the AI-readiness assessment: a concrete read on your data, your architecture and the use cases actually worth pursuing. [Book an AI-readiness assessment](/en/contact) [See our open-source frameworks](/en/open-source) --- # Applied research in neuro-symbolic AI · SynaLinks > https://synalinks.com/en/open-source/research/ Research # We don't comment on AI research. We do it. SynaLinks is an applied research team as much as an engineering one. We write the frameworks AI systems are built with, and we test our own ideas the way we ask you to test yours: with controlled, reproducible experiments, published alongside their code. Why we research ## The questions that matter to you don't have off-the-shelf answers yet. Does an AI system hold up over time? How do you improve one when you don't own the model? How do you prove an answer is correct, and not merely plausible? These questions get settled in production, at our clients' sites, and vendor literature doesn't answer them: it sells. So we treat them as research questions. We state a hypothesis, build the experiment that could refute it, measure, and publish the result. It's slower than an opinion piece, and it's the only thing that earns us the right to tell you, afterwards, what will work for you. Our areas ## Six subjects, one thread: making AI systems measurable and defensible. Every one of these lives in our open-source repositories, where anyone can read the code. This isn't a roadmap of intentions: it's what we work on. 01 ### In-context optimization Improving an AI system without retraining a single weight: its instructions and examples are optimized against a measurable reward, the way you'd train a model. It's what makes continuous improvement possible when you don't own the model. * In-context RL * Evolutionary optimizers * Quality-diversity 02 ### Evaluating AI systems How you know a system answers correctly, and that it hasn't degraded since yesterday. Synthetic datasets, automated judges, agent metrics, and regression testing when a model is swapped underneath you. * Metrics * Automated judges * Regression testing 03 ### Neuro-symbolic reasoning Constraining a language model with structure and logic: outputs that are valid by construction, reasoning you can inspect, and conclusions that trace back to their premises rather than to a statistical hunch. * Structured output * Logic * Verification 04 ### Knowledge graphs Turning documents into graphs a system can use, then querying those graphs: local search for precise questions, global search for questions that span an entire corpus. * KG extraction * GraphRAG * Local & global search 05 ### Agents and confined execution An agent that writes and runs code is useful, and dangerous. We work on confining it: filesystem isolation, restricted system calls, controlled network access, capabilities granted explicitly rather than by default. * Sandboxing * Confinement * Agent tooling 06 ### Self-evolving programs Pipelines where the model produces its own examples, the symbolic layer verifies them and discards what doesn't hold, and only what survives feeds the next step. The goal: getting better at a domain without pulling your experts into every iteration. * Self-distillation * Synthetic data * Symbolic filtering Our protocol ## An experiment, not a screenshot. Most published "benchmarks" actually compare two systems that differ in ten ways at once. These are the rules we hold ourselves to so our numbers mean something. 1. 01 ### A question, not a demo We start from a question a number can answer, chosen before anything runs. A demo shows what works; an experiment tells you how much. 2. 02 ### One variable changes Same task, same train, validation and test splits, same models, same judge. Everything is held constant except the thing being measured, or the comparison measures something other than what it claims. 3. 03 ### Reproducible end to end Each experiment fits in one runnable script, uses local models wherever possible, and keeps its full run logs. You can re-run it yourself. 4. 04 ### Published as it came out Including when the result doesn't flatter us. A method that adds nothing on a given task is useful information, and burying it would make everything else unverifiable. Collaborations ## Have an applied research question on your own data? We run applied research with industrial teams and research labs: one identified technical blocker, an evaluation protocol built together, and a result you keep. The code we produce stays yours, and whatever we publish is agreed with you upfront. If you have a question nobody around you can settle, we're interested: [write to us](/en/contact), even if it's still roughly phrased. From research to the field ## The same rigor, applied to your data. Our research serves our clients first. The starting point is the same: an AI-readiness assessment, fixed scope and fixed price. [Book an AI-readiness assessment](/en/contact) [See our open-source frameworks](/en/open-source) --- # An AI data and evaluation firm in Toulouse · SynaLinks > https://synalinks.com/en/about/ About # The AI team that builds the tools, then makes your data ready. SynaLinks is an AI engineering group. We author open-source AI frameworks, built in the open for anyone to inspect, and we put that same depth to work for companies turning proprietary data into real AI advantage. Why we exist ## Most companies don't have an AI problem. They have a data-readiness problem. In two years we've worked with a dozen companies, and it was the same story every time: capable teams, valuable data, ambitious AI plans, and pilots that never shipped. Not because the models were weak, but because the data underneath was never made ready, because nobody had put an evaluation in place, and because the people advising them had never built AI at the level where that matters. We started SynaLinks to close both gaps at once: do the unglamorous data work properly, and bring genuine, framework-level expertise to companies that need it. What makes us different ## We build the technology. We don't just consult on it. Anyone can read the same papers and repeat the same advice. Very few teams have designed and shipped the frameworks that AI systems are built with. We have, in the open, under scrutiny, where anyone can read the code. That changes the advice we give. It's grounded in how the technology actually behaves, not in vendor decks or hype cycles. When we tell you what will work, it's because we've built the thing that proves it. How we work ## Four principles we don't bend on. ### Outcome over activity We measure success by what your data can do afterward, not by hours billed. ### Data foundation first We fix what everything else depends on before building on top of it. ### Vendor-neutral Your stack, your models, your cloud. No lock-in. ### Yours to own We leave your team able to run and extend the assets we build. Let's talk ## Let's find out what your data can do. [Book an AI-readiness assessment](/en/contact) [See our open-source frameworks](/en/open-source) --- # Book an AI-readiness assessment · SynaLinks > https://synalinks.com/en/contact/ Get started # Find out how far your data is from AI-ready. Book an AI-readiness assessment. It's a short, fixed-scope engagement that reviews your data, your architecture and the use cases worth pursuing, and gives you your AI Roadmap. It's yours to keep, whether or not you work with us next. ![Yoan Sallami](/team/yoan-sallami.png) **Fastest path:** book 30 minutes directly with Yoan Sallami, the founder. No sales rep, no pitch. [Book a call](https://calendar.app.google/RMMAPbHYroAgiokb7) * * * What happens next 1. 1 ### Book a call (free) A 30-minute conversation about your data, your goals, and whether the assessment is the right next step. No pitch, no obligation. 2. 2 ### We scope the assessment If it's a fit: fixed scope, usually one week. The price is agreed before we start, with no day rates and no overruns. 3. 3 ### You get a roadmap A concrete read on the gap to AI-ready and what to clean first. Where it goes from there is your call. * * * ### The AI-readiness assessment Price €10,000 excl. VAT, fixed Duration Usually one week Deliverable Your AI Roadmap, yours to keep Start Subject to availability The 30-minute call before it is free and carries no obligation. The work that follows is scoped from the roadmap, never sold blind. * * * * **No lock-in.** Vendor-neutral, Apache-2.0 open source, your stack. * **Your data stays yours.** We work in your infrastructure; your data doesn't have to leave it. * **Straight answers.** If AI isn't the right move yet, we'll tell you. Not ready to book? Reach us directly at [contact@synalinks.com](mailto:contact@synalinks.com) , or find us in the [Discord community](https://discord.gg/82nt97uXcM) . ## Book your assessment Name \* Work email \* Company \* What are you trying to do with AI? \* What data would it need to use? optional Request an assessment We'll reply within one business day. **Message sent.** We reply within one business day. Mail client didn't open? Copy the message and send it to [contact@synalinks.com](mailto:contact@synalinks.com). Copy the message --- # Évaluation et données pour l'IA en production · SynaLinks > https://synalinks.com/ Données & évaluation pour l'IA en production # Votre IA marche en démonstration. Personne ne sait si elle répond juste. C'est pour ça qu'elle ne passe pas en production. Nous construisons l'évaluation qui mesure ce que votre système fait vraiment, puis nous réparons ce qu'elle révèle : presque toujours, vos données. [Réserver un audit de préparation à l'IA](/contact) [Voir comment nous travaillons](/open-source/approche) Par des experts IA issus du CNRS (10+ ans d'expérience), l'équipe derrière le framework open-source Synalinks. Équipe basée dans l'Union Européenne Vos données ne quittent jamais l'espace européen L'étape que presque tout le monde saute ## Construire une IA est devenu facile. Prouver qu'elle tient en production, presque personne ne le fait. En deux ans, nous avons travaillé avec de nombreuses entreprises. À chaque fois, le même constat : le problème n'était ni le modèle, ni le code. C'était l'absence de données exploitables, d'évaluation, et d'un chemin clair vers le ROI. L'IA permet aujourd'hui à n'importe qui de sortir un prototype en quelques jours, et beaucoup en concluent que l'expertise n'est plus nécessaire. Mais un prototype n'est pas un système de production. Pour qu'un système survive au réel, il lui faut un jeu de données qui représente vraiment votre métier (vos dossiers, vos documents, le savoir-faire de vos équipes) et une évaluation qui mesure ses réponses au lieu de les regarder passer. C'est l'étape que presque toutes les organisations sautent, y compris de très grandes : on valide au feeling, sur quelques exemples qui marchent, et on découvre les problèmes en production, devant les clients. Nous construisons des systèmes d'IA. C'est précisément pour cela que nous commençons par les données et l'évaluation : ce sont elles qui décident si le système tiendra, et c'est l'avantage que vos concurrents ne peuvent pas acheter. [Télécharger le guide gratuit de l’évaluation (PDF)](/guide-evaluation.pdf) SilosDocumentsTableursSavoir tacite Brutes & dispersées Nettoyage & curation 1. Localiser 2. Structurer 3. Enrichir 4. Vérifier 5. Maintenir Actif prêt pour l'IA * Structuré * Documenté * Traçable * Orienté usage Prêt à bâtir dessus Réalisations ## Ce que nous avons déjà construit. Des missions anonymisées, décrites par le besoin, ce que nous avons construit et l'actif qui reste au client. Cosmétique ### Évaluation d'un assistant en production Conversations multi-tours pilotées par personas, jouées contre le RAG en production. IA en production ### Changer de modèle sans rien casser Une suite de non-régression qui compare chaque modèle candidat, réponse par réponse. Sécurité ### Détection de menaces internes Jeu de données étiqueté construit de zéro, puis le système de classification entraîné dessus. [Voir des exemples de missions](/realisations) Ce que nous faisons ## Quatre engagements. 01 ### Mesurer avant de croire Nous construisons l'évaluation de votre système : des cas de test tirés de votre réalité, des critères explicites, un résultat rejouable à chaque changement de modèle. C'est de l'ingénierie, pas de l'improvisation, et c'est ce qui transforme « ça a l'air de marcher » en preuve défendable devant un régulateur, un conseil d'administration ou un client. 02 ### Transformer vos données propriétaires en actif prêt pour l'IA Une évaluation ne dit pas seulement que le système échoue, elle dit où. Nous auditons, nettoyons, structurons et modélisons les données qu'elle met en cause : des tables brutes et des documents deviennent des actifs définis, documentés, dignes de confiance. C'est l'avantage que l'IA sur étagère ne pourra jamais copier. 03 ### Capturer l'expertise, pas seulement les données Votre avantage ne tient pas qu'à vos tables. C'est le jugement, les règles et le savoir-faire qui vivent dans vos documents et dans la tête de vos équipes. Nous capturons cette expertise tacite et en faisons une connaissance structurée et documentée, qu'un modèle peut exploiter. 04 ### Vos équipes autonomes, pas dépendantes Nous formons vos décideurs à choisir les bons cas d'usage et vos équipes techniques à faire vivre et étendre ce que nous construisons. Le but n'est pas que vous nous rappeliez, c'est que vous n'en ayez plus besoin. Comment ça marche ## De l'évaluation à un actif durable, dans le bon ordre. 1. 1 ### Mesurer L'audit évalue votre système et cartographie les données sur lesquelles il s'appuie. En une semaine, à périmètre et prix fixes, vous savez ce qu'il fait vraiment et vous repartez avec votre Feuille de Route IA. 2. 2 ### Réparer ce que l'évaluation révèle Elle pointe presque toujours au même endroit : des données incomplètes, incohérentes, ou une règle métier que personne n'a jamais écrite. Nous transformons ces données et ce savoir-faire en actifs structurés, documentés, exploitables par un modèle. 3. 3 ### Livrer & maintenir Vous gardez les actifs, documentés, et l'évaluation devient votre test de non-régression : à chaque nouveau modèle, vous savez si quelque chose s'est dégradé avant vos clients. [Commencer par un audit](/contact) Pourquoi nous ## Nous construisons les frameworks sur lesquels d'autres équipes IA s'appuient. SynaLinks n'est pas un cabinet qui a découvert l'IA l'an dernier. Nous sommes les auteurs de frameworks d'IA open source, développés en public, où chacun peut lire le code, et nous faisons de la recherche au quotidien. ### Synalinks Un framework neuro-symbolique pour construire, entraîner et déployer des applications à base de modèles de langage, avec une API déclarative héritée de Keras. [Voir sur GitHub](https://github.com/SynaLinks/synalinks) ### Synalog Un moteur logique qui transforme des tables brutes en connaissance structurée et formellement vérifiée, compilée en SQL optimisé. [Voir sur GitHub](https://github.com/SynaLinks/synalog) Quand nous vous conseillons, c'est parce que nous avons construit la chose nous-mêmes, des octets bruts jusqu'au raisonnement. [Voir nos frameworks open source](/open-source) Pour qui ## Pensé pour les entreprises dont l'avantage est ce qu'elles savent. Si votre avantage tient à un savoir-faire pointu et à des données propriétaires, l'IA générique restera toujours en deçà : elle ne connaît ni votre métier ni vos données. Nous transformons _votre_ connaissance en un avantage IA que vous seul pouvez avoir. ### Équipes aux pilotes enlisés Un an plus tard, rien en production. Nous mesurons d'abord, puis nous réparons la fondation de données, pour que ce qui est construit dessus survive à la mise en production. ### Entreprises expertes de leur domaine Services spécialisés, industrie, professions réglementées. « L'IA générique ne connaît pas notre métier. » Nous faisons en sorte qu'elle connaisse le vôtre. ### Secteurs réglementés, riches en données Finance, juridique, santé, industrie. Une IA que vous pouvez réellement auditer et défendre. Commencer ## Sachez enfin ce que votre IA fait vraiment. Un audit court, à périmètre fixe et prix fixe. Nous évaluons votre système et les données qui le nourrissent, et vous repartez avec votre Feuille de Route IA : l'écart exact, et ce qu'il faut réparer en premier. Elle vous reste acquise, que vous travailliez ensuite avec nous ou non. [Réserver un audit de préparation à l'IA](/contact) [Voir nos frameworks open source](/open-source) --- # Évaluer votre IA, puis préparer vos données · SynaLinks > https://synalinks.com/services/ Services # Mesurer ce que votre IA fait vraiment, puis réparer ce que la mesure révèle. Nous faisons une seule chose, et c'est une discipline plutôt qu'une tâche : rendre mesurable ce que presque tout le monde valide au ressenti. D'où l'ordre dans lequel nous travaillons. L'évaluation dit si votre système tient et où il casse ; elle pointe presque toujours au même endroit, vos données et les règles que personne n'a écrites ; nous les transformons alors en actifs structurés, documentés et défendables. Pragmatique et indépendant des fournisseurs : nous travaillons dans votre stack, avec vos modèles et votre cloud. [Réserver un audit de préparation à l'IA](/contact) Comment démarrent les missions La plupart des prestataires veulent vous vendre six mois de développement avant d'avoir compris votre métier. Pas nous. Presque tout commence par **l'audit de préparation à l'IA** : notre première mission, à périmètre fixe et prix fixe (10 000 € HT, une semaine en général). Nous y examinons les trois choses qui décident de tout le reste : vos **données** (ce qu'elles valent réellement et ce qui leur manque), votre **architecture** (ce que votre stack, vos contraintes de sécurité et vos coûts permettent vraiment), et votre **métier** (quels cas d'usage rapportent, lesquels attendront, et dans quel ordre les traiter). Vous repartez avec votre Feuille de Route IA. Ensuite, dans l'ordre que la feuille de route priorise : **l'évaluation** de votre système s'il en existe déjà un, puis la mise à niveau de vos **données** et de votre **expertise**, seules ou ensemble ; le **coaching** vient s'ajouter à l'une ou l'autre. Ce n'est qu'alors que le travail est dimensionné à ce qu'il faut exactement. L'appel de trente minutes qui précède est gratuit et sans engagement. [Télécharger le guide gratuit de l’évaluation (PDF)](/guide-evaluation.pdf) 01 ## Audit de préparation à l'IA La porte d'entrée · engagement minimal, clarté maximale #### Pour quoi faire Vous savez que l'IA devrait compter pour votre entreprise, mais vous ignorez à quelle distance vos données sont d'être exploitables, ce que votre architecture existante supporte, et quels cas d'usage en valent vraiment la peine. C'est ici qu'il faut commencer. #### Ce que nous faisons * Vos données : où elles vivent, ce qu'elles valent, et l'écart avec « prêt pour l'IA ». * Votre architecture : ce que votre stack, vos contraintes de sécurité et votre enveloppe de coûts permettent réellement, et ce qu'il faudrait faire évoluer. * Votre métier : quels cas d'usage rapportent, lesquels peuvent attendre, et dans quel ordre les traiter. * Mettre au jour les risques (techniques, données, organisationnels) avant que vous n'y engagiez du budget. #### Ce que vous en retirez Votre Feuille de Route IA : l'écart avec « prêt pour l'IA », l'architecture visée, les cas d'usage priorisés et ce que chaque étape demanderait. Elle vous reste acquise, que vous continuiez avec nous ou non. Périmètre fixe · 10 000 € HT · une semaine en général. [Réserver un audit](/contact) 02 ## Votre système d'IA → évalué Le premier chantier · court, et il révèle le reste #### Pour quoi faire Quelque chose tourne déjà, et personne ne peut dire s'il répond juste. Le pilote ne passe pas en production parce qu'aucun chiffre ne permet de le défendre, et les avis en réunion se valent tous. C'est ici qu'il faut commencer quand le système existe. #### Ce que nous faisons * Construire un jeu de cas tiré de votre réalité : vos vrais dossiers, de vraies questions d'utilisateurs, échecs compris. * Écrire les critères, cas par cas : ce qu'est une bonne réponse chez vous, et ce qui la prouve. * Calibrer un juge automatique contre vos étiquettes, et mesurer son accord avant de lui faire confiance à grande échelle. * Industrialiser le harnais pour qu'il se rejoue à chaque changement de prompt, d'index, de source de données ou de modèle. #### Ce que vous en retirez Un harnais d'évaluation qui vous appartient : jeu de cas, critères, juge calibré et résultats rejouables. Il devient votre test de non-régression, et il désigne les données à réparer en premier. Dimensionné sur votre Feuille de Route IA · sur un système déjà en service. [Réserver un audit](/contact) 03 ## Données propriétaires → prêtes pour l'IA Le cœur du travail · la partie que la plupart sautent #### Pour quoi faire Vos données sont votre rempart, mais elles sont brutes. Enfermées dans des silos, des formats incohérents, des documents et une expertise tacite sur lesquels un modèle ne peut pas raisonner. Avant que l'IA ne tienne ses promesses, la fondation doit être solide. #### Ce que nous faisons * Structurer et modéliser vos données et votre connaissance métier en actifs définis et documentés. * Transformer des dossiers, documents et processus épars en quelque chose qu'un modèle peut exploiter de façon fiable. * Livrer des données maintenues à jour, avec une qualité et une traçabilité de confiance. #### Ce que vous en retirez Des données propriétaires réellement prêtes pour l'IA (documentées, structurées, défendables), plus la fondation sur laquelle chaque futur cas d'usage viendra s'appuyer. Dimensionné sur votre Feuille de Route IA · 1 à 3 semaines en général. [Parlons de vos données](/contact) 04 ## Expertise → prête pour l'IA Le savoir qui n'est écrit nulle part #### Pour quoi faire Votre rempart n'est pas que dans vos tables. C'est la façon dont vos équipes décident, les règles qu'elles portent en tête, les processus qu'aucun document ne capture entièrement. Un modèle ne peut pas utiliser ce qui n'a jamais été écrit. #### Ce que nous faisons * Recueillir et formaliser l'expertise métier que votre équipe tient pour acquise. * Transformer règles tacites, jugements et processus en connaissance explicite et structurée. * L'encoder en contraintes, en logique et en graphes de connaissances qu'un modèle peut exploiter et que vous pouvez vérifier. #### Ce que vous en retirez Votre expertise métier capturée en un actif de connaissance documenté et vérifiable : elle n'est plus prisonnière des têtes, et n'importe quelle IA peut se construire dessus. Dimensionné sur votre Feuille de Route IA · 2 à 6 semaines en général, selon la disponibilité des parties prenantes. [Parlons de votre expertise](/contact) 05 ## Vos équipes → autonomes sur l'IA Le coaching · pour que ça vive après nous #### Pour quoi faire Des actifs prêts pour l'IA ne valent que si vos équipes savent s'en servir. Vous voulez des décideurs qui savent où l'IA vaut la peine, et des équipes techniques capables de faire tourner et d'étendre la fondation, sans dépendre de nous. #### Ce que nous faisons * Coacher vos décideurs : choisir les cas d'usage, cadrer les risques, piloter l'adoption à votre rythme. * Former vos équipes techniques à exploiter, maintenir et étendre les actifs de données construits. * Installer les pratiques (qualité, documentation, gouvernance) qui gardent la fondation saine dans la durée. #### Ce que vous en retirez Une équipe autonome : des décideurs qui savent où investir, des ingénieurs qui font tourner la fondation sans nous. Dimensionné sur votre Feuille de Route IA · seul ou en accompagnement des missions Données et Expertise. [Parlons coaching](/contact) Est-ce pour vous ? ## Nous ne sommes pas le bon choix pour tout le monde. ### C'est pour vous si… * Vous possédez des données propriétaires et un savoir-faire accumulés depuis des années : votre avantage est ce que vous savez. * Vous voulez une IA qui tourne dans votre stack, avec vos modèles et votre cloud, sans dépendance fournisseur. * Un pilote IA ne passe pas en production, ou vous voulez éviter que le premier s'y enlise. ### Ce n'est pas pour vous si… * Vous cherchez une licence de chatbot clé en main : nous construisons des actifs, nous ne revendons pas d'outils. * Vous voulez des développeurs en régie : nous vendons un résultat, pas des jours-homme. * Vous n'avez pas encore de données ni d'expertise à vous : il n'y a rien à rendre prêt pour l'IA. Questions fréquentes ## Ce qu'on nous demande avant de commencer. Combien de temps dure l'audit ? Une semaine en général, à périmètre fixe. Vous repartez avec votre Feuille de Route IA quoi qu'il arrive. Combien ça coûte ? L'audit coûte 10 000 € HT, à périmètre fixe : pas de régie, pas de dépassement. Le travail qui suit (évaluation, données, expertise, coaching) est ensuite dimensionné sur la feuille de route, jamais vendu à l'aveugle. Nos données doivent-elles sortir de chez nous ? Non. Nous travaillons dans votre infrastructure, avec vos modèles et votre cloud. Vos données n'ont pas à quitter votre environnement : c'est un principe, pas une option. Faut-il une équipe technique en interne ? Non. Beaucoup de nos clients n'ont pas de DSI. Nous faisons le travail, nous le documentons, et la mission de coaching peut rendre vos équipes autonomes sur ce que nous construisons. Que se passe-t-il après l'audit ? La Feuille de Route IA vous reste acquise, que vous continuiez avec nous ou non. Si vous continuez, chaque mission est dimensionnée sur ses priorités : évaluation, données, expertise, coaching. Vous ne savez pas où vous en êtes ? ## Commencez par l'audit. C'est le moyen le plus rapide de savoir à quelle distance vos données sont de l'IA et ce qui mérite d'être nettoyé en premier. Périmètre fixe, prix fixe, et votre Feuille de Route IA que vous gardez quoi qu'il arrive. [Réserver un audit de préparation à l'IA](/contact) --- # Missions d'évaluation et de jeux de données · SynaLinks > https://synalinks.com/realisations/ Réalisations # Ce que nous avons déjà construit, en conditions réelles. Quelques missions menées pour des équipes qui avaient des données précieuses et un problème concret à régler. 01 Sécurité · détection de menaces internes ## Des signaux dispersés à un système de détection entraînable. ### Le besoin Repérer les comportements à risque venant de l'intérieur, là où les règles statiques produisent surtout du bruit et où il n'existait aucun jeu de données étiqueté sur lequel apprendre. ### Ce que nous avons construit Nous avons construit le jeu de données de bout en bout (collecte, structuration, étiquetage, documentation), puis le système de classification entraîné dessus. ### L'actif qui leur reste Un jeu de données étiqueté et documenté, réutilisable pour réentraîner, comparer ou auditer les modèles, et un système de classification qui tourne sur leurs propres données. **Ce que ça change pour un dirigeant :** Une capacité de détection qui apprend de vos propres données, au lieu de règles que vos équipes passent leur temps à ajuster. 02 Cosmétique · évaluation d'un système en production ## Évaluer un assistant produit avec des conversations synthétiques. ### Le besoin Savoir si l'assistant répondait juste pour de vrais clients, au-delà de quelques tests manuels qui ne couvraient ni la variété des profils ni les échanges à plusieurs tours. ### Ce que nous avons construit Génération de conversations multi-tours pilotées par personas, jouées contre le RAG en production, avec les critères permettant de juger chaque réponse. ### L'actif qui leur reste Un harnais d'évaluation reproductible : personas, conversations et critères rejouables à chaque évolution du système, pour voir les régressions avant les clients. **Ce que ça change pour un dirigeant :** La preuve chiffrée que l'assistant répond juste avant de l'exposer à vos clients, et un test à rejouer à chaque mise à jour. 03 R&D IA · comportement des modèles ## Comprendre ce que fait vraiment un agent, à partir de ses traces. ### Le besoin Les traces d'exécution s'accumulaient sans jamais devenir exploitables : le comportement du modèle restait une impression, discutée d'anecdote en anecdote. ### Ce que nous avons construit Une chaîne qui transforme les traces d'exécution des agents en jeu de données structuré et analysable. ### L'actif qui leur reste Un jeu de données du comportement réel de leurs agents : une base d'analyse, de comparaison et d'amélioration continue plutôt qu'un flux de logs. **Ce que ça change pour un dirigeant :** Savoir enfin ce que fait votre IA au quotidien : des faits mesurables à présenter en comité, pas des impressions. 04 IA en production · dépréciation de modèles ## Changer de modèle de langage sans repartir de zéro. ### Le besoin Les fournisseurs déprécient leurs modèles : celui sur lequel le système repose disparaît, la migration a une date limite imposée, et personne ne sait ce que le remplaçant va casser. ### Ce que nous avons construit Une suite de tests de non-régression bâtie sur leurs propres cas d'usage : chaque modèle candidat est rejoué sur les mêmes tâches et comparé au comportement de référence, réponse par réponse. ### L'actif qui leur reste Une suite de non-régression rejouable à chaque annonce de dépréciation ou de nouveau modèle : la comparaison entre modèles devient chiffrée, pas ressentie. **Ce que ça change pour un dirigeant :** Vous changez de modèle quand vous le décidez, avec la preuve que rien ne s'est dégradé, au lieu de subir le calendrier de votre fournisseur. 05 R&D IA · pipelines neuro-symboliques ## Des pipelines pour que les modèles apprennent d'eux-mêmes. ### Le besoin Améliorer un modèle de langage sur un domaine précis sans dépendre d'annotations humaines à chaque itération. ### Ce que nous avons construit Des pipelines neuro-symboliques d'auto-distillation : le modèle génère ses propres exemples, la couche symbolique les vérifie et filtre ce qui ne tient pas, et seul ce qui passe sert à l'entraînement. ### L'actif qui leur reste Un pipeline reproductible et les données qu'il produit, réexécutables à chaque nouvelle version du modèle. **Ce que ça change pour un dirigeant :** Un modèle qui s'améliore sur votre métier sans mobiliser vos experts à chaque itération, et sans envoyer vos données ailleurs. ## Et bien d'autres. Ces cinq missions sont des exemples, pas une liste exhaustive. Si votre problème leur ressemble, ou n'y ressemble pas du tout, il y a de bonnes chances que nous l'ayons déjà rencontré. [Parlez-nous de votre cas](/contact) Le fil conducteur Dans chacune de ces missions, le livrable n'est pas une démo : c'est un actif de données documenté, reproductible, que l'équipe garde et réutilise, et quand un système tourne au bout, il tourne dans leur infrastructure. C'est exactement ce que l'audit sert à cadrer pour vous. Pourquoi nous confier ça ## Nous ne sommes pas un grand labo qui veut capter toutes les entreprises pour justifier une valorisation déconnectée. Notre objectif n'est pas de vous vendre un abonnement de plus à un modèle générique. Nous sommes un partenaire de confiance pour votre transformation IA : une petite équipe, votre stack, vos données, vos contraintes. Nous n'avons pas besoin de capter tout le marché pour survivre, seulement de faire tenir ce que nous construisons chez vous. Votre tour ## Discutons de ce que vos données peuvent produire. Trente minutes, gratuites et sans engagement, pour savoir si un audit est la bonne étape suivante. [Réserver un audit de préparation à l'IA](/contact) --- # Frameworks IA neuro-symboliques open source · SynaLinks > https://synalinks.com/open-source/ Open source # Nous construisons nos outils d'IA au grand jour. Synalinks, Synalog et Synalinks Skills sont sous licence Apache-2.0 et développés en public, avec une communauté petite mais grandissante autour d'eux. C'est ce qui nous permet de promettre une IA de qualité ingénierie : nous l'avons construite nous-mêmes, au niveau le plus profond de la stack, là où chacun peut lire le code. Cette page est technique. Ce qu'elle signifie côté entreprise : les outils avec lesquels nous rendons vos données prêtes pour l'IA sont publics, inspectables et gratuits, vous ne dépendez donc jamais de nous pour les faire tourner. [Voir nos services](/services) * **1.4k** étoiles GitHub * **268** téléchargements PyPI / mois * **Apache-2.0** licence [Notre approche ## Comment nous travaillons Les données d'abord, pourquoi le neuro-symbolique, les standards que nous tenons, et l'étape d'évaluation que presque tout le monde saute. Lire l'approche](/open-source/approche) [Notre recherche ## Ce que nous cherchons Six axes de recherche appliquée, du raisonnement neuro-symbolique à l'évaluation des systèmes d'IA, et le protocole expérimental que nous suivons. Lire la recherche](/open-source/recherche) Synalinks ## Un framework neuro-symbolique pour les applications à base de modèles de langage. * Neuro-symbolique * Agents * RAG * RL en contexte * Distillation * Auto-distillation * Sorties structurées * Python Synalinks est un framework pour construire, entraîner et déployer des applications à base de modèles de langage (RAG, agents autonomes, systèmes de raisonnement auto-évolutifs) avec une API déclarative et épurée héritée de Keras. Il apporte la discipline du deep learning aux systèmes d'IA : composer des briques, les optimiser contre de vraies métriques, et les déployer comme des services de production. Pour démarrer `$ uvx synalinks init` Copy **Ce que cela change pour vous :** les systèmes que nous construisons chez vous sont mesurables et rejouables, parce que le framework impose des sorties structurées et une optimisation contre des métriques, pas contre une impression. ★ 456 Apache-2.0 [GitHub](https://github.com/SynaLinks/synalinks) [Documentation](https://synalinks.github.io/synalinks) Synalog ## Des tables brutes à la connaissance structurée et vérifiée. * Moteur logique * Datalog * Graphes de connaissances * Compilé en SQL * Vérification formelle Synalog est un moteur logique qui transforme des données relationnelles brutes en une couche sémantique de concepts nommés, de règles et de graphes de connaissances, compilée en SQL optimisé et contrôlée par un vérificateur formel avant toute exécution. C'est ainsi que des tables brutes deviennent du sens qu'une machine peut manipuler, avec une traçabilité complète de la réponse jusqu'à la source. De la récursion, pas du SQL brut fib.l Copy ``` Fib(step: 0, a: 0, b: 1); @Recursive(Fib, 12); Fib(step: s1, a: b, b: c) :- Fib(step: s, a:, b:), s1 == s + 1, c == a + b; @OrderBy(Fibonacci, "step"); Fibonacci(step:, value: a) :- Fib(step:, a:, b:); ``` $ uvx synalog fib.l run Fibonacci 0 1 1 2 3 5 8 13 21 34 55 89 144 **Ce que cela change pour vous :** vos règles métier deviennent du code vérifié avant exécution, et chaque réponse remonte à la donnée qui l'a produite. C'est ce qui rend une réponse défendable devant un client ou un régulateur. ★ 8 268 / mois Apache-2.0 [GitHub](https://github.com/SynaLinks/synalog) [Documentation](https://synalinks.github.io/synalog) Synalinks Skills ## Le savoir-faire Synalinks, empaqueté pour les agents de code. * Agent Skills * SKILL.md * Claude Code * Codex * OpenCode * pi * Exemples exécutables * Références Synalinks Skills est une bibliothèque de compétences au format ouvert `SKILL.md` qui apprend aux agents de code à écrire du Synalinks idiomatique : guides scannables, scripts exécutables et références approfondies, couvrant le framework de bout en bout. Sans ce guidage, un modèle mélange les syntaxes et produit du code plausible mais cassé ; avec, il travaille comme quelqu'un de la maison. **Ce que cela change pour vous :** nous savons transformer une façon de travailler en instructions qu'une machine exécute. Nous l'avons fait sur la nôtre : c'est exactement le travail que nous faisons sur le savoir-faire de vos équipes. ★ 907 Apache-2.0 [GitHub](https://github.com/SynaLinks/synalinks-skills) Bientôt ### Un nouveau projet, bientôt open source. Nous préparons l'ouverture d'un nouveau projet. Même principe : bien construire, au grand jour, et laisser le travail parler de lui-même. [Être prévenu](/contact) Communauté ### Construit en public, avec une communauté autour. Nos frameworks sont sous licence Apache-2.0 et développés en public. Mettez une étoile aux dépôts, ouvrez une issue, ou rejoignez la conversation. Et si vous préférez que nous appliquions cette profondeur à votre entreprise, c'est exactement à cela que servent nos services. [Rejoindre le Discord](https://discord.gg/82nt97uXcM) [Parlez-nous de votre projet](/contact) --- # L'IA traitée comme de l'ingénierie · SynaLinks > https://synalinks.com/open-source/approche/ Notre approche # Nous traitons l'IA comme de l'ingénierie, pas comme de la magie. Si la plupart des projets d'IA ne survivent pas au contact de la production, ce n'est pas par manque d'ambition. C'est par manque de rigueur, et cela commence par les données. Des données que vous ne pouvez ni mesurer, ni auditer, ni reproduire ne sont pas une fondation ; c'est un passif. Nous construisons celles sur lesquelles on peut bâtir. Les données d'abord, le modèle ensuite ## Le modèle, c'est la partie facile. Les données, c'est le travail. Changer de modèle, c'est un changement de configuration. Rendre vos données « raisonnables » pour une machine (cohérentes, structurées, documentées, porteuses de sens) : c'est là qu'est la véritable ingénierie, et c'est ce qui décide si l'IA tient ses promesses. Alors nous commençons là, à chaque fois. Avant de parler modèles ou agents, nous faisons de vos données propriétaires un actif qu'un système peut réellement utiliser. Tout ce qui vient ensuite ne vaut que ce que vaut cette fondation, et la plupart des pilotes qui échouent sont des fondations qui n'ont jamais été coulées. L'étape que presque tout le monde saute ## Construire un système d'IA n'a jamais été aussi simple. Savoir s'il tient, presque personne ne le fait. En deux ans, nous avons travaillé avec une douzaine d'entreprises. À chaque fois, le même constat : le problème n'était ni le modèle, ni le code. C'était l'absence de données exploitables, et l'absence d'évaluation. L'IA permet aujourd'hui à n'importe qui de sortir un prototype en quelques jours, et beaucoup en concluent que l'expertise n'est plus nécessaire. Mais un prototype n'est pas un système de production. Pour qu'un système survive au réel, il faut un jeu de données qui représente vraiment votre métier, et une évaluation qui mesure ses réponses au lieu de les regarder passer. C'est l'étape que presque toutes les organisations sautent, y compris de très grandes. On valide au feeling, sur quelques exemples qui marchent, et on découvre les problèmes en production, devant les clients. Nous construisons des systèmes d'IA. C'est précisément pour cela que nous commençons par les données et l'évaluation : ce sont elles qui décident si le système tiendra. Pourquoi le neuro-symbolique ## Les modèles de langage sont puissants. Seuls, ils ne suffisent pas. Un modèle de langage pur est éloquent mais irresponsable : il devine, il dérive, et il ne sait pas montrer son travail. Pour un chatbot, passe encore. Pour un système dont votre entreprise dépend, ce n'est pas acceptable. L'IA neuro-symbolique combine l'aisance des modèles de langage avec la rigueur de la structure et de la logique : le neuronal qui comprend, le symbolique qui contraint, vérifie et explique. Structure & contraintes pour que les sorties soient valides par construction, pas par chance. Logique & règles explicites pour que le raisonnement soit inspectable, pas caché dans des poids. Vérification pour que les conclusions d'un système remontent à leurs sources. Nous appliquons ce même état d'esprit à vos données, quels que soient les outils employés pour les rendre prêtes. Les standards que nous tenons ## Auditable. Reproductible. À vous. ### Mesurable Si nous ne pouvons pas mettre un chiffre sur « ça marche », nous ne signons pas. Chaque actif est évalué contre des résultats qui comptent pour votre entreprise. ### Auditable Les réponses remontent à leurs sources. Vous pouvez les défendre devant un régulateur, un conseil d'administration ou un client, pas hausser les épaules en accusant le modèle. ### Reproductible Les mêmes entrées donnent le même comportement. Chaque transformation est versionnée ; les résultats ne sont pas un coup de dés. ### Indépendant des fournisseurs Nous travaillons dans votre stack, avec vos modèles et votre cloud. Aucune dépendance, ni à un éditeur, ni à nous. ### À vous, pour de bon Nous construisons pour que votre équipe puisse comprendre, faire tourner et étendre les actifs après notre départ. Pragmatique, pas dogmatique ## Le bon outil pour votre problème, même quand ce n'est pas le nôtre. Nous sommes auteurs de frameworks d'IA, et c'est précisément pour cela que nous ne vous les imposons pas. L'expertise, la vraie, c'est savoir quand un simple pipeline vaut mieux qu'un agent, quand la solution sur étagère est le bon choix, et quand la réponse honnête est « vous n'êtes pas encore prêts pour ça ». Notre loyauté va au résultat, pas à une stack. C'est ce qu'on obtient d'un partenaire qui construit les outils au lieu de les revendre. Une profondeur qui se met au travail ## Voyez ce que cela donne appliqué à votre entreprise. Le chemin le plus rapide, c'est l'audit de préparation à l'IA : un état des lieux concret de vos données, de votre architecture et des cas d'usage qui en valent la peine. [Réserver un audit de préparation à l'IA](/contact) [Voir nos frameworks open source](/open-source) --- # Recherche appliquée en IA neuro-symbolique · SynaLinks > https://synalinks.com/open-source/recherche/ Recherche # Nous ne commentons pas la recherche en IA. Nous en faisons. SynaLinks est une équipe de recherche appliquée autant qu’une équipe d’ingénierie. Nous écrivons les frameworks avec lesquels se construisent les systèmes d’IA, et nous testons nos propres idées comme nous vous demandons de tester les vôtres : par des expériences contrôlées, reproductibles, publiées avec leur code. Pourquoi nous cherchons ## Les questions qui comptent pour vous n’ont pas encore de réponse toute faite. Est-ce qu’un système d’IA tient dans la durée ? Comment l’améliorer quand on ne possède pas le modèle ? Comment prouver qu’une réponse est juste, et pas seulement plausible ? Ces questions se décident en production, chez nos clients, et la littérature commerciale n’y répond pas : elle vend. Alors nous les traitons comme des questions de recherche. Nous formulons une hypothèse, nous construisons l’expérience qui peut la réfuter, nous mesurons, et nous publions le résultat. C’est plus lent qu’un billet d’opinion, et c’est la seule chose qui nous autorise à vous dire, ensuite, ce qui marchera chez vous. Nos axes ## Six sujets, un même fil : rendre les systèmes d’IA mesurables et défendables. Chacun de ces axes vit dans nos dépôts open source, où le code est lisible par n’importe qui. Ce n’est pas une feuille de route d’intentions : c’est ce sur quoi nous travaillons. 01 ### Optimisation en contexte Améliorer un système d’IA sans réentraîner un seul poids : ses instructions et ses exemples sont optimisés contre une récompense mesurable, comme on entraîne un modèle. C’est ce qui rend possible l’amélioration continue quand vous ne possédez pas le modèle. * In-context RL * Optimiseurs évolutionnaires * Quality-diversity 02 ### Évaluation des systèmes d’IA Comment savoir qu’un système répond juste, et qu’il ne s’est pas dégradé depuis hier. Jeux de données synthétiques, juges automatiques, métriques d’agents et tests de non-régression lors des changements de modèle. * Métriques * Juges automatiques * Non-régression 03 ### Raisonnement neuro-symbolique Contraindre un modèle de langage par la structure et la logique : des sorties valides par construction, un raisonnement inspectable, et des conclusions qui remontent à leurs prémisses plutôt qu’à une intuition statistique. * Sorties structurées * Logique * Vérification 04 ### Graphes de connaissances Transformer des documents en graphes exploitables, puis interroger ces graphes : recherche locale pour les questions précises, recherche globale pour les questions qui portent sur un corpus entier. * Extraction de KG * GraphRAG * Recherche locale & globale 05 ### Agents et exécution confinée Un agent qui écrit et exécute du code est utile, et dangereux. Nous travaillons sur son confinement : isolation du système de fichiers, restriction des appels système, contrôle des accès réseau, capacités accordées explicitement. * Bac à sable * Confinement * Outils d’agents 06 ### Programmes auto-évolutifs Des pipelines où le modèle produit ses propres exemples, où la couche symbolique vérifie et écarte ce qui ne tient pas, et où seul ce qui passe sert à la suite. L’objectif : progresser sur un domaine sans mobiliser vos experts à chaque itération. * Auto-distillation * Données synthétiques * Filtrage symbolique Notre protocole ## Une expérience, pas une capture d’écran. La plupart des « benchmarks » publiés comparent en réalité deux systèmes qui diffèrent par dix choses à la fois. Voici les règles que nous nous imposons pour que nos chiffres veuillent dire quelque chose. 1. 01 ### Une question, pas une démonstration Nous partons d’une question à laquelle on peut répondre par un chiffre, décidée avant de lancer quoi que ce soit. Une démonstration montre ce qui marche ; une expérience dit dans quelle mesure. 2. 02 ### Une seule variable change Même tâche, mêmes découpes d’entraînement, de validation et de test, mêmes modèles, même juge. Tout est tenu constant sauf la chose que nous mesurons, sinon la comparaison mesure autre chose que ce qu’elle annonce. 3. 03 ### Reproductible de bout en bout Chaque expérience tient dans un script exécutable, tourne autant que possible sur des modèles locaux, et conserve ses journaux d’exécution complets. Vous pouvez la relancer chez vous. 4. 04 ### Publié tel quel Y compris quand le résultat ne nous arrange pas. Une méthode qui n’apporte rien sur une tâche donnée est une information utile, et la taire rendrait tout le reste invérifiable. Collaborations ## Un sujet de recherche appliquée sur vos données ? Nous menons des travaux de recherche appliquée avec des équipes industrielles et des laboratoires : un verrou technique identifié, un protocole d’évaluation construit ensemble, et un résultat que vous gardez. Le code produit reste le vôtre, et ce que nous publions est convenu avec vous à l’avance. Si vous avez une question que personne autour de vous ne sait trancher, elle nous intéresse : [écrivez-nous](/contact), même si elle est encore mal formulée. De la recherche au terrain ## La même rigueur, appliquée à vos données. Nos travaux servent d’abord nos clients. Le point de départ reste le même : un audit de préparation à l'IA, à périmètre et prix fixes. [Réserver un audit de préparation à l'IA](/contact) [Voir nos frameworks open source](/open-source) --- # Données et évaluation IA, cabinet à Toulouse · SynaLinks > https://synalinks.com/a-propos/ À propos # L'équipe IA qui construit les outils, puis rend vos données prêtes. SynaLinks est une équipe d'ingénierie IA. Nous sommes auteurs de frameworks d'IA open source, construits au grand jour où chacun peut les inspecter, et nous mettons cette même profondeur au service des entreprises qui transforment leurs données propriétaires en véritable avantage IA. Pourquoi nous existons ## La plupart des entreprises n'ont pas un problème d'IA. Elles ont un problème de préparation des données. En deux ans, nous avons travaillé avec une douzaine d'entreprises, et c'était à chaque fois la même histoire : des équipes compétentes, des données précieuses, des ambitions IA, et des pilotes qui n'atteignaient jamais la production. Non pas parce que les modèles étaient faibles, mais parce que les données en dessous n'avaient jamais été préparées, parce que personne n'avait mis en place de quoi évaluer le système, et parce que ceux qui les conseillaient n'avaient jamais construit d'IA au niveau où cela compte. Nous avons créé SynaLinks pour combler les deux écarts à la fois : faire proprement le travail ingrat sur les données, et apporter une expertise de niveau framework aux entreprises qui en ont besoin. Ce qui nous distingue ## Nous construisons la technologie. Nous ne nous contentons pas de la conseiller. N'importe qui peut lire les mêmes articles et répéter les mêmes conseils. Très peu d'équipes ont conçu et livré les frameworks avec lesquels les systèmes d'IA se construisent. Nous, oui : au grand jour, sous le regard de tous, là où chacun peut lire le code. Cela change les conseils que nous donnons. Ils sont ancrés dans le comportement réel de la technologie, pas dans des plaquettes commerciales ou des cycles de hype. Quand nous vous disons ce qui marchera, c'est parce que nous avons construit ce qui le prouve. Comment nous travaillons ## Quatre principes sur lesquels nous ne cédons pas. ### Le résultat plutôt que l'activité Nous mesurons le succès à ce que vos données savent faire ensuite, pas aux heures facturées. ### La fondation de données d'abord Nous réparons ce dont tout le reste dépend avant de construire par-dessus. ### Indépendants des fournisseurs Votre stack, vos modèles, votre cloud. Aucune dépendance. ### À vous, pour de bon Nous partons en laissant votre équipe capable de faire tourner et d'étendre les actifs construits. Parlons-en ## Découvrons ce que vos données peuvent faire. [Réserver un audit de préparation à l'IA](/contact) [Voir nos frameworks open source](/open-source) --- # Réserver un audit de préparation à l'IA · SynaLinks > https://synalinks.com/contact/ Commencer # Découvrez à quelle distance vos données sont de l'IA. Réservez un audit de préparation à l'IA. C'est un engagement court, à périmètre fixe, qui passe en revue vos données, votre architecture et les cas d'usage qui en valent la peine, et qui vous donne votre Feuille de Route IA. Elle vous reste acquise, que vous travailliez ensuite avec nous ou non. ![Yoan Sallami](/team/yoan-sallami.png) **Le plus rapide :** réservez directement 30 minutes avec Yoan Sallami, fondateur. Pas de commercial, pas de pitch. [Réserver un appel](https://calendar.app.google/RMMAPbHYroAgiokb7) * * * Les prochaines étapes 1. 1 ### Réservez un appel (gratuit) Trente minutes sur vos données, vos objectifs, et si l'audit est la bonne étape suivante. Sans pitch, sans engagement. 2. 2 ### Nous cadrons l'audit Si c'est pertinent : périmètre fixe, une semaine en général. Le prix est annoncé avant de commencer, sans régie ni dépassement. 3. 3 ### Vous recevez une feuille de route Une lecture concrète de l'écart avec des données prêtes pour l'IA et de ce qu'il faut nettoyer en premier. La suite vous appartient. * * * ### L'audit de préparation à l'IA Prix 10 000 € HT, fixe Durée Une semaine en général Livrable Votre Feuille de Route IA, qui vous reste acquise Démarrage Selon disponibilité L'appel de trente minutes qui précède est gratuit et sans engagement. Le travail qui suit est dimensionné sur la feuille de route, jamais vendu à l'aveugle. * * * * **Aucune dépendance.** Indépendant des fournisseurs, open source Apache-2.0, votre stack. * **Vos données restent chez vous.** Nous travaillons dans votre infrastructure ; vos données n'ont pas à en sortir. * **Des réponses franches.** Si l'IA n'est pas encore le bon choix, nous vous le dirons. Pas encore prêt à réserver ? Écrivez-nous directement à [contact@synalinks.com](mailto:contact@synalinks.com) , ou retrouvez-nous sur la [communauté Discord](https://discord.gg/82nt97uXcM) . ## Réserver votre audit Nom \* E-mail professionnel \* Entreprise \* Que voulez-vous faire avec l'IA ? \* Quelles données seraient concernées ? facultatif Demander un audit Nous répondons sous un jour ouvré. **Message envoyé.** Nous répondons sous un jour ouvré. Votre logiciel de mail ne s'est pas ouvert ? Copiez le message et envoyez-le à [contact@synalinks.com](mailto:contact@synalinks.com). Copier le message --- # Legal & privacy · SynaLinks > https://synalinks.com/en/legal/ Legal & privacy # Legal notice & privacy policy ## Publisher This website is published by **SynaLinks SAS**, a French société par actions simplifiée with a share capital of €1,000, whose registered office is at 129 Chemin de la Butte, 31400 Toulouse, France, registered with the Toulouse Trade and Companies Register (RCS) under number 979 650 090 (SIRET 979 650 090 00017, APE code 6201Z, EU VAT FR50 979 650 090). Publication director: Yoan Sallami, President. Contact: [contact@synalinks.com](mailto:contact@synalinks.com) ## Hosting The site is hosted by Vercel Inc., 440 N Barranca Ave #4133, Covina, CA 91723, USA (vercel.com). The domain name is registered with OVH SAS, 2 rue Kellermann, 59100 Roubaix, France. ## Privacy We collect only what you choose to send us through the forms on this site: your name, work email, company, and the message you write (plus, if you opt in, the result of the AI maturity check). We use it for one purpose: to answer you. No advertising, no resale, no profiling. The contact form uses no third-party service: it drafts a message in your own mail client, which you send yourself. Your information therefore passes through no data processor and is stored nowhere until you send the message. Emails we receive are kept for 3 years from the last contact and then deleted. Under the GDPR you can request access to, rectification or erasure of your data, object to its processing, or ask for it in a portable format: write to [privacy@synalinks.com](mailto:privacy@synalinks.com). You can also lodge a complaint with your supervisory authority (in France, the CNIL). ## Cookies This site sets no cookies and runs no analytics or third-party trackers. --- # Mentions légales & confidentialité · SynaLinks > https://synalinks.com/mentions-legales/ Mentions légales # Mentions légales & confidentialité ## Éditeur Ce site est édité par **SynaLinks SAS**, société par actions simplifiée au capital de 1 000 €, dont le siège social est situé 129 Chemin de la Butte, 31400 Toulouse, France, immatriculée au RCS de Toulouse sous le numéro 979 650 090 (SIRET 979 650 090 00017, code APE 6201Z, TVA intracommunautaire FR50 979 650 090). Directeur de la publication : Yoan Sallami, Président. Contact : [contact@synalinks.com](mailto:contact@synalinks.com) ## Hébergement Le site est hébergé par Vercel Inc., 440 N Barranca Ave #4133, Covina, CA 91723, États-Unis (vercel.com). Nom de domaine enregistré auprès d'OVH SAS, 2 rue Kellermann, 59100 Roubaix, France. ## Données personnelles Nous ne collectons que ce que vous choisissez de nous envoyer via les formulaires du site : nom, e-mail professionnel, entreprise et votre message. Une seule finalité : vous répondre. Pas de publicité, pas de revente, pas de profilage. Le formulaire de contact n'utilise aucun service tiers : il prépare un message dans votre propre logiciel de messagerie, que vous envoyez vous-même. Vos informations ne transitent donc par aucun sous-traitant et ne sont enregistrées nulle part tant que vous n'avez pas envoyé le message. Les e-mails reçus sont conservés 3 ans à compter du dernier contact, puis supprimés. Conformément au RGPD, vous pouvez demander l'accès, la rectification ou l'effacement de vos données, vous opposer à leur traitement ou en demander la portabilité en écrivant à [privacy@synalinks.com](mailto:privacy@synalinks.com). Vous pouvez également introduire une réclamation auprès de la CNIL. ## Cookies Ce site ne dépose aucun cookie et n'utilise aucun outil d'analyse d'audience ni traceur tiers.