Python

Python est un langage que j'ai utilisé il y a longtemps, mais il n'avait pas ma préférence (ni celle de mes employeurs) pour le développement web il y a dix ans. L'utiliser régulièrement n'est devenu une réalité que ces dernières années, parce que le langage a évolué en bien et qu'il s'est imposé comme la référence dans le domaine du machine learning.

Python proposait déjà une quantité de librairie sans égal dans le domaine du data processing. Sa facilité de prise en main, l'absence de phase de compilations et la taille de la communauté ont contribué à l'émergence de librairies comme pandas, numpy, scikit-learn et bien évidemment pytorch. J'ai d'abord utilisé cette stack sur un projet hobby NBA : rassembler vingt ans de stats équipes et joueurs dans Postgres, puis entraîner des modèles pour prédire les résultats.

L'écosystème a aussi mûri. Les virtualenv ne sont plus un mystère, et des outils comme uv rendent enfin le packaging Python aussi simple que npm ou Composer : installs rapides, lockfiles, projets isolés. C'était la pièce manquante pour utiliser Python au quotidien à côté d'une stack web, sans se battre avec la toolchain.

Et Python est désormais un citoyen de première classe pour l'IA. Prompts, SDKs LLM, embeddings, pipelines de données — tout cet écosystème arrive d'abord en Python. C'est pour ça que je m'y suis remis pour de bon : pas pour reconstruire des sites en Django, mais pour générer des prompts, appeler des modèles, traiter de la data et parler aux bases, comme sur le projet EAGR — et pour faire tourner des services FastAPI embarqués, avec uv, comme sur Traffy.