Sebastian Raschka

A propos de Sebastian Raschka

Sebastian Raschka est ingenieur de recherche principal chez Lightning AI et l'un des educateurs les plus influents de la communaute d'apprentissage automatique. Il est l'auteur de plusieurs manuels largement utilises, dont Build a Large Language Model from Scratch et Build a Reasoning Model from Scratch -- des livres qui incarnent la philosophie selon laquelle la meilleure facon de comprendre l'IA est de l'implementer soi-meme.

Auparavant professeur adjoint de statistiques a l'Universite du Wisconsin-Madison (2018-2023), Raschka a quitte le monde academique pour se consacrer a plein temps a la recherche et au developpement de LLM chez Lightning AI. Son travail fait le pont entre la recherche de pointe et l'implementation pratique, rendant les sujets complexes accessibles grace a des explications orientees code.

Sa newsletter Ahead of AI et ses cours educatifs sur YouTube en ont fait une ressource incontournable pour les praticiens qui veulent comprendre comment les LLM fonctionnent reellement au niveau de l'implementation.

Parcours

• Ingenieur de recherche principal chez Lightning AI (2022-present)
• Ancien professeur adjoint de statistiques, Universite du Wisconsin-Madison (2018-2023)
• Auteur de Build a Large Language Model from Scratch (best-seller)
• Auteur de Build a Reasoning Model from Scratch
• Auteur de Machine Learning with PyTorch and Scikit-Learn
• Createur de la newsletter Ahead of AI et de cours educatifs
• Plus de 10 ans d'experience en recherche et ingenierie IA

Positions notables

Sur la competition en IA en 2026

Raschka s'oppose au narratif du gagnant qui rafle tout en IA, soulignant que les idees ne sont plus proprietaires car les chercheurs circulent entre les entreprises et les laboratoires. Le veritable avantage concurrentiel est le budget de calcul et l'acces au materiel, pas les techniques secretes.

Sur le defi de l'interface pour les agents

Souleve le probleme fondamental de specification des agents autonomes : meme si un LLM peut executer des taches, comment les utilisateurs communiquent-ils des objectifs complexes dans des environnements non structures ? Le code fonctionne parce que l'environnement est bien defini, mais les agents generalistes font face a un probleme de conception d'interface bien plus difficile.

Sur l'utilisation des outils IA

Decrit une approche pragmatique multi-modeles : le mode rapide de ChatGPT pour les recherches rapides, le mode Pro pour la verification approfondie de documents, et Gemini pour les taches de contexte long comme trouver des informations precises dans de grands documents. Utilise le plugin Codex de VS Code pour l'assistance au codage tout en gardant le controle du processus.

Citations cles

• "I don't think nowadays in 2026 that there will be any company who has access to a technology that no other company has access to. Researchers are frequently changing jobs, changing labs, they rotate." (Je ne pense pas qu'en 2026, une entreprise puisse avoir acces a une technologie inaccessible aux autres. Les chercheurs changent frequemment d'emploi, de labo, ils tournent.) -- sur la competition en IA
• "The problem is for arbitrary tasks, you still have to specify what you want your LLM to do. What is the environment? How do you specify?" (Le probleme, c'est que pour des taches arbitraires, il faut encore specifier ce que vous voulez que votre LLM fasse. Quel est l'environnement ? Comment le specifier ?) -- sur les agents
• "I use it until it breaks and then I explore other options." (Je l'utilise jusqu'a ce que ca casse, puis j'explore d'autres options.) -- sur le changement de modele

Lectures connexes

• Lois de mise a l'echelle - Sujet central de son analyse du progres de l'IA
• Agents IA - Discute le defi de la specification
• Pre-entrainement - Explique l'importance continue du calcul de pre-entrainement