Data Science avec exécution native au Runtime

Statut documentaire : guide — voir Maturité et preuves.

Utiliser l'exécution numérique native au Runtime lorsque la data science doit fonctionner près de la mémoire conceptuelle, des embeddings ou de l'exécution de modèles plutôt que d'exporter chaque workload vers un processus externe.

Bons cas d'usage

• extraction de features depuis les structures conceptuelles ;
• projections tensorielles reliées à une identité conceptuelle stable ;
• workloads neuronaux graphe/hypergraphe ;
• génération ou recherche d'embeddings ;
• inférence où les buffers résidents sur accélérateur réduisent les transferts.

Garder les frontières explicites

Un résultat numérique n'est pas automatiquement un fait conceptuel. Enregistrer comment il a été produit, son modèle/version et sa confiance lorsque pertinent, puis utiliser règles explicites ou politique applicative pour décider de son effet sur l'état conceptuel.

Le choix du backend reste une préoccupation d'exécution ; la sémantique applicative doit survivre à un changement compatible CPU/GPU/backend.