Administrateurs et opérateurs IA
Les personnes qui gardent Rollie et Vision performants : un registre pour voir chaque modèle, sa version, ses contrôles et ses tokens — et savoir lequel dérive.
La salle de contrôle des petits modèles derrière Rollie et Vision : bibliothèque de modèles, versions, enseignement et validation — chaque modèle de la plateforme, géré au même endroit.


Docklify AI Models est la salle de contrôle des petits modèles derrière Rollie et Vision : la bibliothèque de modèles, les versions, l'enseignement et la validation — chaque modèle que la plateforme fait tourner, géré au même endroit. Docklify n'entraîne pas de modèles géants depuis zéro : il enseigne de petits modèles à scène unique qui font bien un seul travail : lire un poste d'emballage, répondre à une question d'entrepôt, repérer un problème de sécurité. Enseignez un modèle une fois ici, avec vos propres exemples, et chaque application qui l'utilise devient plus performante : Rollie parle avec lui, Vision voit avec lui, et le registre d'utilisation montre ce que coûte chaque modèle. Chaque modèle porte son responsable, son histoire et son coût, pour que la plateforme ne fasse jamais tourner un modèle dont personne ne se souvient de l'approbation.
Les personnes qui gardent Rollie et Vision performants : un registre pour voir chaque modèle, sa version, ses contrôles et ses tokens — et savoir lequel dérive.
Postes d'emballage, cours et quais où les caméras surveillent le travail : les modèles de détection derrière ces contrôles sont enseignés et validés ici, pas dans une boîte noire.
Équipes qui apprennent aux agents à répondre aux clients : le canal d'enseignement pour les agents vit à côté du canal vision, avec la même discipline de versions et de validation.
La dépense IA est de l'argent réel : l'utilisation par fonction, les budgets par personne et la porte de quota de la plateforme gardent la facture visible avant qu'elle ne devienne une surprise. La facture reste visible avant la fin du mois, pas après son arrivée.


Chaque petit modèle que la plateforme fait tourner vit dans un seul registre : à quoi il sert, quelle version est en production, quelles versions l'ont précédée, et quelles applications l'utilisent. Une nouvelle version ne remplace jamais l'ancienne en silence : les versions sont explicites, pour qu'un modèle puisse être restauré quand le nouveau se comporte moins bien dans le monde réel, et que l'équipe sache toujours quelle version a répondu à quelle question ou vérifié quel emballage. La bibliothèque est le seul endroit où un modèle existe : pas de copies flottant dans des tableurs, pas deux équipes enseignant le même travail deux fois. Les versions retirées restent lisibles dans la bibliothèque, pour qu'une ancienne réponse puisse encore être expliquée après que son modèle a changé.


Un modèle apprend vos scènes, pas le manuel de quelqu'un d'autre. Montrez-lui des exemples de votre propre terrain — l'emballage qui était bon, celui qui était mauvais, la réponse qui a satisfait le client — et corrigez ses réponses jusqu'à ce qu'il se comporte comme votre équipe le ferait. Il y a deux canaux d'enseignement, délibérément séparés : l'enseignement visuel entraîne les modèles de détection sur ce que voient les caméras, et l'enseignement des agents entraîne les agents qui parlent aux clients. Chaque canal enseigne son propre type de modèle, pour qu'un exemple d'emballage ne fuie jamais dans une réponse client et qu'une correction de chat ne change jamais ce qu'une caméra recherche.


Les contrôles IA ne sont pas de la magie, et cette page le dit clairement : elle montre comment chaque contrôle tourne, avec des mots que tout le monde peut suivre. Le contrôle d'emballage, par exemple, compare ce que la caméra a vu sur le poste avec ce que la commande dit qu'il doit y avoir dans le carton — et le contrôle lui-même a lieu au poste d'emballage, pas ici. Cette page est en lecture seule : elle permet à un administrateur de voir la politique, les preuves qu'elle produit et les modèles derrière, sans toucher un contrôle en direct. Quand un contrôle se trompe, la correction est l'enseignement, pas un interrupteur caché. Un contrôle qui échoue toujours de la même façon est un signal pour enseigner à nouveau le modèle, pas pour abaisser la barre.


Utilisation IA ce mois-ci, par fonction, dans un seul registre : quels modèles ont tourné, combien de tokens ils ont utilisés, et ce que cela signifie en Credits — la seule unité visible du locataire. Une question répondue coûte un Credit, une exécution de tâche automatique coûte un Credit, une exécution d'agent coûte cinq, et chaque exécution tombe dans la table des exécutions avec son nombre de tokens joint, pour que toute charge puisse être retracée jusqu'à l'exécution qui l'a causée. Le locataire voit des Credits ; la plateforme garde le livre des coûts en tokens de son côté, et les deux livres ne se mélangent jamais en un seul chiffre confus. Les exécutions en échec ne coûtent pas de Credits ; seul le succès est facturé.


Un seul routeur se tient entre les applications et les fournisseurs de modèles, pour qu'aucune fonction ne soit mariée à un seul fournisseur. Quand un fournisseur ralentit ou tombe, le routeur bascule vers le suivant et l'utilisateur voit une réponse, pas une page d'erreur. Les nouveaux modèles rejoignent par une seule routine documentée — enregistrer le modèle, nommer sa scène, fixer ses limites — pour qu'ajouter un fournisseur soit une liste de contrôle, pas un projet. Les modèles de scène ont leurs propres entrées de catalogue, et le routeur garde le coût de chaque appel dans les livres, ce qui rend le registre d'utilisation honnête. Le routeur ne montre jamais au locataire un nombre de tokens.


Rollie parle et Vision voit grâce aux modèles gérés ici : enseignez une fois ici, et les deux progressent. Le modèle d'emballage qui vérifie un carton sur le poste est le même type de modèle qui répond à la question d'un superviseur sur cet emballage, parce que les deux puisent dans la même bibliothèque, les mêmes versions et le même enseignement. Quand un modèle s'améliore, l'amélioration atteint chaque application en même temps ; quand il est retiré, il est retiré partout, pas laissé à tourner dans un coin que personne ne surveille. Un modèle, géré une fois, au service de toute la plateforme. La bibliothèque partagée est aussi la mémoire partagée : ce qu'une application apprend d'un modèle, chaque application en hérite.


La règle est écrite au mur : uniquement de petits modèles à scène unique. Pas d'entraînement de grands modèles depuis zéro, et aucun modèle de reconnaissance faciale — jamais. Un modèle qui surveille un poste d'emballage surveille des cartons, pas des personnes ; un modèle qui répond à une question répond à partir des données propres de la plateforme, à l'intérieur du locataire qui les possède. Les limites ne sont pas une note de bas de page dans un document de conception : elles sont appliquées là où les modèles sont enregistrés, pour qu'un modèle qui enfreint la règle ne puisse pas être ajouté du tout. Les clients qui demandent ce que fait l'IA — et ce qu'elle ne fera jamais — obtiennent une réponse directe depuis cette page.
Chaque petit modèle et ses versions, dans un seul registre.
Montrez des exemples, corrigez les réponses : le modèle apprend vos scènes.
Comment chaque contrôle IA tourne, en mots simples — lecture seule ici.
Utilisation IA ce mois-ci, par fonction — les tokens utilisés, dans un seul registre.
Paquets versionnés qui portent un modèle de l'enseignement à l'usage en direct.
Testez une version sur des exemples réservés avant sa mise en production.
Budgets de Credit par personne et porte de quota de la plateforme, en Credits.
Qui a enseigné, corrigé, versionné ou retiré un modèle — tout est consigné.