Vos tables savent déjà. Faites-les prédire.
Déposez un CSV, une extraction de base de données : PrediTable le transforme en modèle prédictif en une seconde — remplissage des champs vides, scoring, détection d'anomalies. Aucun entraînement, aucun datascientist, aucun GPU.
Un « foundation model » pour les données tabulaires
Comme les grands modèles de langage ont appris le texte, un Tabular Foundation Model a appris la structure des tables sur des millions d'exemples. Résultat : il prédit sur VOS colonnes sans être ré-entraîné — il « raisonne » en contexte à partir de vos quelques lignes.
Zéro entraînement
Le modèle « apprend » votre table en la lisant, pas en s'entraînant. Un nouveau jeu de données = prédiction immédiate, sans réglage d'hyperparamètres.
Fort sur petites données
Là où il faut des dizaines de milliers d'exemples aux méthodes classiques, il performe dès quelques centaines de lignes. Idéal pour les cas métier réels.
Local & privé
Tourne sur CPU, en local ou on-premise. Le modèle se sauvegarde sans vos données d'entraînement — vos données ne sortent pas.
Un modèle par table
Chaque table, chaque client, chaque événement a son propre modèle instantané — sans multiplier les pipelines ni les coûts.
Calibré & explicable
Probabilités calibrées, importance des colonnes, contrôle qualité intégré : chaque prédiction est auditable.
Embarquable partout
Dans votre base (SELECT PREDICT), votre ETL, votre CRM, votre app — la prédiction là où vos équipes travaillent déjà.
Chaque prédiction arrive avec un reçu.
N'importe qui peut brancher un modèle de fondation tabulaire — ils sont publics. Notre différence tient en un mot : la confiance auditable. Chaque chiffre qu'on vous donne passe par un protocole d'évaluation qu'on ne peut pas truquer, hérité de la finance quantitative la plus exigeante. En santé, en assurance, en crédit — partout où une prédiction engage — c'est la frontière entre « ça marche sur mon portable » et « je peux le déployer et le défendre ».
Scellé avant le calcul
L'hypothèse est horodatée et hachée AVANT le moindre entraînement. Impossible de réécrire l'histoire après coup, impossible de « choisir » le résultat qui arrange.
Temps purgé
On teste sur des données strictement postérieures, avec un embargo. Le futur ne fuit jamais dans le passé — le piège nº 1 des faux backtests.
Canari anti-triche
On rejoue chaque test avec les étiquettes mélangées. Si le score monte quand même, c'est qu'il y a une fuite : le run est annulé, pas publié.
Jugé une seule fois
Un verdict, une fois, gravé. Pas de « on réessaie jusqu'à ce que ça marche » — la recette silencieuse de la plupart des résultats invérifiables.
Probabilités calibrées
« 30 % de risque » veut vraiment dire 30 %. Vous pouvez dimensionner, provisionner, décider sur le chiffre — pas juste le classer.
Baseline honnête
On mesure toujours contre le modèle simple à battre. Pas de « +20 % » sorti d'un chapeau : le gain est réel, chiffré, reproductible.
Remplissez les trous d'un tableau, dans votre navigateur
Déposez un CSV avec des cellules vides (ou utilisez l'exemple). PrediTable les remplit en analysant les colonnes présentes. Démo légère 100 % locale (aucune donnée envoyée). Le moteur complet TabICL est encore plus précis.
Glissez un fichier CSV ici ou
Les cellules vides seront prédites et surlignées en vert. Modifiez le fichier et re-déposez-le : le résultat change vraiment (calcul en direct, aucun truquage).
Testé sur 2 321 sociétés réellement sorties de cote. Jugé une seule fois.
Nous avons scellé l'hypothèse avant le calcul, purgé le temps pour interdire toute fuite, lancé le canari anti-triche — puis mesuré. Sur de vraies entreprises sorties de cote, le modèle de fondation bat l'arbre de gradient (l'étalon du secteur), aux deux échelles testées.
Périmètre honnête : signal prix/volume seul (l'ajout des fondamentaux est la prochaine marche) ; 34 000 lignes d'apprentissage = échelle moyenne, pas le régime « big data » où les arbres peuvent repasser devant. Le verdict scellé porte sur « le modèle de fondation ≥ l'arbre de gradient », pas sur « produit fini ». C'est ça, une preuve auditée : elle dit aussi ses limites.
Des dizaines d'applications, dans tous les secteurs
La même technologie, appliquée partout où il y a une table et une colonne à prédire. Cliquez un secteur pour le détail.
Une API. Un CSV entre, des prédictions calibrées sortent.
Déposez une table, nommez la colonne à prédire — vous récupérez un modèle servi en quelques dizaines de millisecondes, avec sa métrique de validité et un reçu signé. Aucune data science requise côté appelant. Quatre verbes couvrent l'essentiel des cas de ce site.
{
"table" : "clients.csv",
"target" : "churn"
}
{
"pred" : 0.94,
"calibré" : true,
"canari" : "propre",
"reçu" : "a91f…3d"
}
Quatre verbes, tous vos cas
Ce qui rend cette API différente
Chaque réponse embarque un reçu signé : la baseline mesurée, l'état du canari anti-fuite, la calibration. Votre modèle de conformité peut la vérifier — pas une boîte noire.
Disponible aujourd'hui en on-premise / local (le modèle tourne chez vous, vos données ne sortent pas). L'API hébergée multi-tenant est en accès anticipé — demandez votre clé.
De votre table à la prédiction en production
Quelle colonne prédire, quelle table, quel gain métier — atelier de cadrage.
CSV, base SQL, data warehouse : connecteur en lecture, aucune migration.
Le foundation model sert vos prédictions — calibrées, auditées, sans entraînement.
API, fonction SQL, ou embarqué dans votre outil. Local, cloud ou on-premise.
Ce qu'on livre
Un service de prédiction audité (baseline honnête, canari anti-triche, métriques réelles) — pas une boîte noire.
Ce qu'on nous demande le plus
Qu'est-ce qu'un modèle de fondation tabulaire ? ▾
Un modèle pré-entraîné sur des millions de tables qui prédit sur vos colonnes sans être ré-entraîné : vous lui donnez quelques lignes d'exemple, il répond en contexte. Comme un modèle de langage a appris le texte, celui-ci a appris la structure des données tabulaires.
Faut-il un GPU ? ▾
Non. Le modèle tourne sur CPU, en local. Les démos de ce site calculent même entièrement dans votre navigateur, sans serveur. Aucun GPU à acheter.
En quoi est-ce différent de XGBoost / AutoML ? ▾
Pas la précision brute — le mode de déploiement : zéro entraînement, un modèle par table, fort sur petites données, démarrage à froid, servi sur CPU. On peut re-régler un arbre ; on ne peut pas lui donner ces propriétés.
Bat-il vraiment un arbre de gradient ? ▾
Sur notre test scellé (2 321 sociétés réellement sorties de cote) : AUC 0,779 vs 0,743, 4,3× au décile de risque. Hypothèse scellée avant le calcul, jugée une fois. Voir « Une preuve, pas une promesse ».
Mes données restent-elles privées ? ▾
Oui. Exécution locale / on-premise ; le modèle se sauvegarde sans vos données. Les démos publiques ne transmettent rien.
Quelle taille de données faut-il ? ▾
De quelques centaines à quelques dizaines de milliers de lignes : le point fort. Sur des millions de lignes, un arbre bien réglé peut reprendre l'avantage — on le dit.
Que veut dire « prédiction auditée » ? ▾
Hypothèse scellée avant le calcul, temps purgé, canari anti-fuite, jugé une fois, probas calibrées. Chaque prédiction arrive avec un reçu vérifiable.
Peut-on l'essayer sur nos propres données ? ▾
Oui : déposez un CSV dans la démo du site pour un aperçu immédiat, ou contactez-nous pour une évaluation sur vos vraies données, mesurée honnêtement.
Vous avez une table. Vous avez un cas.
Dites-nous ce que vous voulez prédire — on vous montre rapidement le résultat sur vos vraies données.
✉️ contact@tavportal.com