Elena Petrova
Science des données
Elena rédige des études de données et des benchmarks, ainsi que des articles sur la qualité des données collectées : comment la mesurer, la nettoyer et construire des jeux de données solides.
Écrit sur
- Études de données et benchmarks
- Qualité des données
- Construction de jeux de données
Articles de Elena Petrova
-
10 novembre 2026 · Base de connaissances
Les archives web comme source de données : ce que la Wayback Machine peut et ne peut pas vous apprendre
La Wayback Machine contient plus de mille milliards de captures. Comment l'interroger, où sa couverture et sa qualité montrent leurs limites, et pourquoi de plus en plus de sites l'excluent désormais.
-
6 novembre 2026 · Base de connaissances
Common Crawl : quand une exploration gratuite suffit, et quand il en faut une à soi
Common Crawl publie des milliards de pages par mois gratuitement. Ce qu'il contient, ce qu'il omet, comment vérifier que vos sources y figurent, et quand explorer vous-même.
-
5 novembre 2026 · Base de connaissances
Même produit, prix différent : la discrimination tarifaire géographique dans 20 pays
Nous avons comparé les prix affichés de 10 jeux dans 20 pays en une seule journée. Le même jeu coûtait jusqu'à 4,1 fois plus cher sur un marché. Les données, la méthode et les pièges.
-
3 novembre 2026 · Base de connaissances
Wikipedia exhorte les entreprises d'IA à utiliser son API payante, et à arrêter le scraping
Wikipedia a demandé aux entreprises d'IA l'attribution et l'utilisation de Wikimedia Enterprise, puis a resserré ses limites. Ce qui a changé et les voies appropriées vers les données.
-
31 octobre 2026 · Base de connaissances
Les sites web les plus scrapés en 2026 : un instantané du web scraping sur 30 jours
Quels sites web sont les plus scrapés en 2026 ? Nous avons analysé 30 jours de données d'usage publiques de 8 186 scrapers prêts à l'emploi et 239,8 millions d'exécutions, puis classé les cibles par demande et par taux de réussite.
-
29 octobre 2026 · Base de connaissances
Collecter des données web multilingues et régionales pour les LLM
Comment collecter des données web multilingues et régionales pour entraîner des LLM : planifier la couverture par langue, trouver des sources locales, récupérer la bonne version locale, identifier les langues, filtrer par langue et équilibrer le mélange.
-
26 octobre 2026 · Base de connaissances
Marketplaces et licences de données d'entraînement IA : quand acheter, quand collecter
Comment fonctionnent les marketplaces de données d'entraînement IA et les accords de licence, ce que coûtent réellement les données sous licence, et une grille pratique pour décider quand acheter un jeu de données et quand le collecter vous-même.
-
24 octobre 2026 · Base de connaissances
Provenance dans le pipeline d'entraînement de l'IA : prouver d'où provient votre jeu de données
Ce que signifie la provenance des données d'entraînement IA en pratique : le registre à tenir pour chaque document, ce que demande le résumé de l'EU AI Act, et comment le faire respecter de bout en bout.
-
19 octobre 2026 · Scraping
Économie des tentatives : le numéro de tentative à partir duquel réessayer cesse d'être rentable
Chaque nouvelle tentative a moins de chances de réussir que la précédente. Comment déterminer le moment où réessayer cesse d'être rentable, à partir de vos propres logs et de quelques lignes de Python.
-
15 octobre 2026 · Proxies résidentiels
Diversité des ASN dans les pools de proxys résidentiels : comment la mesurer
Un script Python gratuit pour mesurer la diversité des ASN dans un pool de proxys : part du réseau principal, HHI et ASN effectifs, ainsi que les résultats de notre benchmark sur 17 réseaux.
-
11 octobre 2026 · Base de connaissances
Les CAPTCHA arrêtent-ils les bots ou les ralentissent-ils simplement ? Mesurer la dissuasion face au taux de résolution
Ce que deux décennies de recherche nous apprennent sur les CAPTCHA : combien de temps ils coûtent aux humains, à quelle fréquence les bots et les agents IA les résolvent, et pourquoi ils fonctionnent désormais comme un coût.
-
8 octobre 2026 · Scraping
Efficacité de la charge utile : quelle part d'une page scrapée est du code répétitif que vous avez payé
Nous avons mesuré 278 pages de contenu parmi les 1 000 premiers sites. Le texte que vous voulez représente environ 1% du HTML et une infime part de ce qu'un navigateur télécharge.
-
7 octobre 2026 · Proxies résidentiels
Shifter dispose désormais du plus grand pool d'IP résidentielles américaines actives
Nous avons de nouveau testé Shifter dans notre benchmark de proxies résidentiels : 212 212 IP américaines actives sur 250 000 requêtes, le plus grand pool américain actif parmi les 17 réseaux mesurés.