Contexte et objectifs

Kapso, publié par les fondateurs d’Leeroo, vise à automatiser le cycle itératif typique des projets de données en entreprise : hypothèse, expérimentation, validation et amélioration continue. Le système répond à la difficulté de cartographier des environnements de données massifs (plus de 30 familles de systèmes sources, des milliers de tables et transformations) où aucune entité, humaine ou IA, ne possède une vision globale. En proposant un moteur capable de proposer, tester et retenir les meilleures solutions, Kapso cherche à réduire les délais de mise en production qui, selon les créateurs, peuvent s’étendre sur plusieurs trimestres.

Architecture et mécanismes

Le cœur de Kapso est une banque de leçons stockée dans un dépôt Git. Chaque leçon possède un score de crédence, des conditions d’application et les preuves associées. Lors d’une nouvelle expérimentation, le module d’idéation génère des propositions en s’appuyant sur les leçons existantes, les re‑classe selon le rendement attendu et le budget consommé, puis les transmet à l’implémenteur. Un module de vérification, isolé du processus d’expérimentation, assure l’intégrité des résultats et empêche toute triche. Après chaque exécution, la fonction learn() met à jour les scores et les frontières des leçons, permettant un affinement continu. La banque peut être A/B testée en exécutant deux builds identiques avec les versions antérieure et mise à jour de la banque. Le système reste agnostique aux modèles et aux agents de codage, et le déploiement s’effectue via kapso.deploy(solution, target_stack) sur des stacks comme Docker, Modal, BentoCloud ou LangGraph. Les utilisateurs peuvent créer des harnesses spécifiques à un domaine via la CLI :

kapso harness new <name>
kapso experience share/list/update

Ces commandes illustrent la gestion versionnée des connaissances et la modularité du workflow.

Performances sur les benchmarks

Kapso a été évalué sur plusieurs référentiels publics. En modélisation prédictive sur bases relationnelles, il a atteint la première place sur RelBench, le benchmark de Kumo AI (désormais Nvidia) et celui de Stanford, surpassant le meilleur modèle de fondation tabulaire. Cette performance montre que l’apprentissage au niveau du harness peut être plus efficace que le ré‑entraînement d’un modèle de grande taille. En ingénierie ML, Kapso a été le premier à soumettre une solution sur le MLE‑bench d’OpenAI, restant parmi les meilleures solutions open‑source. Dans le domaine des compétitions IA, il a dépassé l’agent de référence des auteurs d’ALE‑Bench et s’est classé parmi les trois meilleurs systèmes lors de l’International Olympiad in AI 2026, devant 471 participants humains.

Limites et perspectives

Bien que les résultats soient prometteurs, la dépendance à une banque de leçons versionnée implique que la qualité des suggestions repose sur la pertinence des expériences antérieures. Dans des environnements où les données évoluent rapidement, la banque doit être continuellement rafraîchie, ce qui peut engendrer un coût opérationnel non négligeable. De plus, l’absence de métriques détaillées (temps d’exécution, consommation de ressources) dans les publications empêche d’évaluer l’efficacité énergétique du système. Enfin, la portée actuelle reste centrée sur les pipelines de données et les modèles tabulaires ; l’extension à des cas d’usage non structurés (texte, images) nécessitera probablement des adaptations du module d’idéation. Malgré ces réserves, Kapso propose une approche structurée et reproductible pour capitaliser sur l’expérience acquise, ouvrant la voie à une industrialisation plus rapide des projets de données d’entreprise.