Contexte et objectifs
MasterClass, via son programme Executive, veut rendre le tutorat individuel plus abordable. Le modèle traditionnel repose sur des enseignants humains, rares et coûteux, ce qui limite le nombre d’étudiants pouvant accéder à une instruction personnalisée. L’entreprise mise sur des AI teaching agents capables d’adapter chaque leçon en fonction du niveau d’engagement, de la surcharge cognitive ou de la motivation du participant.
Architecture multi‑agents
Le système repose sur une chaîne d’environ 10 agents actifs simultanément pour chaque interaction apprenant‑machine. Chaque agent exécute une fonction précise : suivi du contexte, génération de contenu, évaluation de la compréhension, gestion de la motivation, etc. Les agents communiquent via le Model Context Protocol de W&B Weave, ce qui permet de partager les états internes sans reconstituer l’historique complet à chaque appel. CoreWeave fournit l’infrastructure cloud full‑stack, incluant GPU, stockage haute‑performance et services de mise à l’échelle automatique, afin de supporter le volume de requêtes généré par les milliers d’utilisateurs simultanés.
Observabilité et amélioration continue
En production, MasterClass a constaté que la traçabilité des échanges entre agents devient rapidement ingérable : chaque session génère des milliers de logs couvrant les entrées, sorties, appels d’outils et messages inter‑agents. Pour répondre, l’entreprise a intégré W&B Weave, qui collecte les traces, les agrège et les analyse chaque nuit. Un agent dédié parcourt les rapports, identifie les anomalies (par exemple, des boucles de dialogue inefficaces ou des réponses hors sujet) et propose des causes racines. Cette boucle d’analyse alimente les cycles d’expérimentation décrits par le senior vice‑president AI de CoreWeave : chaque jour, un nouveau modèle ou une nouvelle grille d’évaluation est déployé, les métriques de performance sont comparées, puis le meilleur résultat est retenu.
Limites et perspectives
Les premiers cohortes ont attiré 30 000 candidatures pour 500 places, la seconde presque 50 000. Cette demande montre l’intérêt, mais elle souligne aussi la contrainte de scalabilité : le nombre d’agents doit croître proportionnellement à la base d’utilisateurs, ce qui augmente les besoins en bande passante et en stockage de traces. De plus, l’absence d’un cadre pédagogique standardisé rend difficile la comparaison objective des performances entre versions d’agents. Enfin, la dépendance à un fournisseur cloud (CoreWeave) crée un point de concentration de risque en cas de panne ou de changement de politique tarifaire. Les prochains développements devront donc renforcer la modularité du protocole de contexte et explorer des métriques d’évaluation plus transparentes afin de garantir la qualité pédagogique à grande échelle.
