Projet confidentiel – IA médicale de détection & suivi Projet confidentiel – IA de détection précoce & suivi des maladies Client Projet confidentiel Secteur Santé & recherche Type IA médicale Période 2025–2026 01Résumé Projet confidentiel mené dans un secteur médical de pointe, visant à développer une plateforme d’IA pour la détection précoce de maladies à partir d’imagerie médicale et la suggestion de protocoles de soin, ainsi que le suivi fin de l’évolution des pathologies. Les modèles, entraînés sur mesure, combinent détection multi–use cases, scoring des symptômes et IA de recommandation, dans un environnement répondant à des exigences élevées de sécurité et de conformité RGPD. 02Description Le projet se structure autour de deux axes principaux. Le premier consiste à développer des modèles de vision médicale capables d’identifier précocement différents types de lésions à partir d’images issues de plusieurs modalités d’imagerie, pour alimenter une aide au diagnostic robuste. Le second axe porte sur la suggestion de protocoles de soin et le suivi longitudinal des patients : à partir des données cliniques et d’imagerie successives, l’IA génère des scores d’évolution de la maladie, aide à qualifier la réponse aux traitements et propose des ajustements possibles aux équipes médicales. L’ensemble est conçu en étroite collaboration avec une équipe de scientifiques français et s’appuie sur une infrastructure sécurisée, cloisonnée et auditée, adaptée aux contraintes réglementaires du domaine. 03Enjeux Améliorer la détection précoce de pathologies complexes, où quelques semaines gagnées peuvent transformer le pronostic patient. Aider les équipes médicales à choisir et ajuster les protocoles de soin sur la base d’analyses quantitatives et reproductibles, plutôt que de seules observations visuelles. Suivre finement l’évolution des maladies grâce à des scores standardisés, permettant de comparer les trajectoires de patients dans le temps. Garantir un niveau de sécurité, de confidentialité et de conformité RGPD compatible avec des données de santé particulièrement sensibles. Construire un socle scientifique solide, co-conçu avec les chercheurs, pouvant à terme alimenter des études cliniques et des dispositifs médicaux. 04Notre solution Développement de modèles de détection multi–use cases en imagerie médicale, entraînés sur des jeux de données spécialisés en collaboration avec les équipes scientifiques. Conception de plusieurs scores de symptômes et d’évolutivité de la maladie, calculés automatiquement à partir des images et des données cliniques pour structurer le suivi. Mise en place d’une IA de suggestion de protocoles de soin, qui propose des options thérapeutiques et des ajustements en s’appuyant sur les référentiels validés et les trajectoires observées. Entraînement des modèles sur mesure, avec des pipelines d’apprentissage, de validation et de monitoring adaptés aux contraintes du domaine (biais, robustesse, explicabilité). Implémentation d’une architecture sécurisée, compartimentée et traçable, intégrant des mécanismes de chiffrement, de gestion fine des droits et de conformité RGPD. 05Résultats & impact Premiers prototypes de modèles de détection et de scoring opérationnels, utilisés en environnement de recherche avec les équipes médicales partenaires. Capacité à suivre l’évolution des patients de manière plus quantitative, avec des indicateurs homogènes d’une cohorte à l’autre. Constitution d’un socle méthodologique et technique réutilisable pour d’autres pathologies et d’autres études cliniques. Renforcement du partenariat entre les équipes scientifiques et techniques autour d’une plateforme commune, prête à être poussée vers l’industrialisation réglementaire. 06Technologies clés Vision médicale IA sur mesure Scoring clinique IA protocole Sécurité RGPD santé
IA & automatisation autour d’un ERP – Industrie / ENR
Entreprise ENR France – IA & automatisation autour de l’ERP Entreprise ENR France – IA & automatisation autour de l’ERP Client Entreprise ENR France Secteur Industrie / ENR Type IA & Automation ERP Période 2025–2026 01Résumé Suite au déploiement d’un nouvel ERP dédié à la gestion des installations et des interventions de maintenance sur des équipements ENR, le projet consiste à automatiser l’ensemble des interactions autour de cet ERP (clients, fournisseurs, prestataires, équipes internes). L’IA est mobilisée pour optimiser certaines fonctions clés, générer des reportings d’analyse et mettre en place des capacités de prédiction (maintenance, charge d’activité, performance opérationnelle). 02Description L’entreprise, acteur français des énergies renouvelables, vient d’adopter un ERP couvrant le cycle de vie de ses installations (contrats, interventions, facturation). Notre mission consiste à concevoir la couche d’automatisation et d’IA qui entoure ce socle : synchronisation des flux avec les clients et sous-traitants, automatisation des demandes d’intervention, notifications intelligentes, et reporting avancé. Des connecteurs et workflows orchestrent les échanges entre l’ERP et les différents acteurs (portails, e-mails, outils métier), tandis que des modèles d’IA analysent l’historique des interventions pour identifier des patterns, anticiper des risques de panne et proposer des plans d’actions. La stack technique détaillée est confidentielle, mais l’architecture est pensée pour rester modulaire et extensible à l’échelle de plusieurs milliers d’installations. 03Enjeux Valoriser l’investissement ERP en automatisant les flux autour du système plutôt que d’ajouter des tâches manuelles pour les équipes terrain et back-office. Fluidifier la relation avec l’écosystème (clients, fournisseurs, prestataires) en standardisant les échanges d’information et les demandes d’intervention. Mieux piloter la performance des installations ENR via des indicateurs consolidés, des analyses de causes racines et des vues prévisionnelles. Passer d’une maintenance essentiellement réactive à une approche plus prédictive, basée sur les historiques d’incidents et les données opérationnelles. 04Notre solution Cartographie détaillée des processus autour de l’ERP (demande client, planification, intervention, clôture, facturation) et identification des leviers d’automatisation. Mise en place de workflows automatisés pour la gestion des tickets, des ordres de travail et des échanges fournisseurs / prestataires, avec notifications proactives. Construction d’un socle de données analytiques alimenté par l’ERP pour produire des tableaux de bord opérationnels (taux de disponibilité, MTTR, MTBF, respect des SLA). Développement de premiers modèles IA de prédiction (risque de panne, charge d’activité, dérives de performance) et de recommandations d’actions. Gouvernance et cadrage des évolutions futures afin de faire évoluer progressivement la solution vers une plateforme ENR “data-driven”. 05Résultats & impact Réduction attendue des tâches manuelles de coordination grâce à l’automatisation des échanges autour de l’ERP. Visibilité accrue sur la performance du parc d’installations ENR et sur la charge des équipes de maintenance. Mise en place d’un socle IA permettant l’anticipation des incidents critiques et l’optimisation des plans de maintenance. Capacité à faire évoluer l’architecture vers une plateforme de pilotage temps réel de l’activité, intégrant progressivement de nouveaux cas d’usage IA. 06Technologies clés ERP ENR Automation API Reporting IA prédictive Maintenance
Mise à disposition de ressources : comment le cadre légal actuel favorise la fraude
Synthèse Exécutive Le marché des services numériques (IT, ingénierie, support) fait face à une crise de conformité systémique. Un « marché gris » croissant d’acteurs non-structurés – incluant de faux freelances en France et en Europe, ainsi que des profils non déclarés dans d’autres juridictions – concurrence de manière déloyale l’ensemble des entreprises éthiques. Le cadre légal français, conçu pour endiguer ce phénomène, produit un effet paradoxal. En se concentrant sur les structures visibles, il pénalise l’ensemble des acteurs conformes (français ou étrangers) qui investissent dans l’emploi et la conformité sociale. Pire, cette situation crée une double discrimination pour les partenaires nearshore éthiques, tels que Full Remote Factory à Tunis. Non seulement nous subissons la même concurrence déloyale, mais nous sommes en plus massivement freinés par un amalgame qui nous associe à ce « marché gris », nous infligeant une « présomption de non-conformité » basée sur notre géographie. En clair nous sommes interdis sur tous les jobboard 1. Le Cadre Légal : Une Intention Protectrice, une Application Dévoyée Pour comprendre le paradoxe, il faut d’abord comprendre la loi. Le droit du travail français est, à juste titre, conçu pour protéger le salarié. Il interdit formellement deux pratiques : Le Prêt de Main-d’œuvre Illicite (Art. L.8241-1) : Interdit de fournir un salarié à une entreprise cliente si cela cause un préjudice au salarié ou élude l’application de la loi. Le prêt de main-d’œuvre n’est autorisé que dans un cadre très strict (ex: travail temporaire, portage salarial), avec un but non-lucratif (ou lucratif très encadré). Le Marchandage (Art. L.8231-1) : Interdit toute opération à but lucratif de fourniture de main-d’œuvre qui a pour effet de causer un préjudice au salarié (salaire, conditions de travail, etc.) ou d’éluder les obligations légales. L’objectif est légitime : Éviter que des entreprises ne « fassent du profit » sur le dos des travailleurs en agissant comme de simples intermédiaires sans valeur ajoutée, sans les protéger ni payer les charges afférentes. L’application paradoxale : Les organismes de contrôle (URSSAF, Inspection du Travail) concentrent, logiquement, leurs efforts sur les structures visibles et déclarées. Une ESN française ou un partenaire étranger structuré est une cible d’audit facile. En revanche, un individu opérant sans statut est, par définition, invisible aux radars. 2. L’Ennemi Commun : Un « Marché Gris » Universel et Polymorphe Le véritable problème du marché n’est pas le sourcing structuré, c’est la fraude non-structurée. Cette concurrence déloyale est universelle et prend plusieurs formes : En France (Fraude « Interne ») : Faux Freelances : Des individus utilisant un statut de micro-entrepreneur pour masquer une relation de salariat déguisé, sans payer les charges d’un CDI. Travail Dissimulé : Des prestations « au noir » pures et simples. À l’International (Fraude « Externe ») : Acteurs de Plateforme Non-Déclarés : Une masse croissante de profils (issus de toutes zones : Maghreb, Europe de l’Est, Océan Indien…) sans aucune existence légale. Leurs Méthodes : Rémunération directe (PayPal, Wise, crypto), absence totale de facture conforme (sans TVA, sans identifiant légal), aucune couverture sociale ni dans le pays d’origine, ni en France. Conséquences : Dumping tarifaire massif (ils n’ont ni charges sociales, ni impôts, ni coûts de structure), précarisation des travailleurs, et perte sèche de recettes fiscales pour tous les États. 3. Impact n°1 (La Pénalité Partagée) : Les Acteurs Éthiques dans le même Sac Face à ce « marché gris », tous les acteurs éthiques sont pénalisés, qu’ils soient à Paris ou à Tunis. L’ESN Française Éthique : Elle emploie ses salariés en CDI de droit français, paie l’intégralité des charges URSSAF (souvent +40% du salaire brut), investit dans la formation, les locaux, et le management. L’Acteur Nearshore Éthique (ex: Full Remote Factory à Tunis) : Il emploie ses salariés en CDI de droit tunisien, paie l’intégralité des charges sociales locales (CNSS), investit dans la formation, un environnement de travail sécurisé, et le management de la qualité. Ces deux acteurs ont des coûts de structure et de conformité que le « marché gris » ignore totalement. La loi française, en se focalisant sur le risque de marchandage, met une pression administrative et juridique sur ces deux acteurs, les forçant à justifier en permanence la nature de leur prestation (via des régies forfaitisées, des comités de pilotage, etc.). Pendant ce temps, le fraudeur non-déclaré, n’ayant aucune existence légale, n’est jamais inquiété par ces articles de loi. 4. Impact n°2 (La Double Discrimination) : L’Amalgame Géographique C’est ici que le bât blesse spécifiquement pour nous, à Tunis. En plus de la pénalité partagée (la concurrence déloyale du « marché gris »), nous subissons une discrimination systémique que l’ESN française ne subit pas. Le marché français, par crainte du risque juridique, opère un amalgame dévastateur : Il ne fait pas la différence entre « l’acteur du marché gris basé à l’étranger » (le fraudeur sans statut payé sur PayPal) et « l’entreprise de service éthique basée à l’étranger » (Full Remote Factory, société légale payant ses charges à Tunis). Pour un donneur d’ordre français ou une plateforme de mise en relation, notre localisation à Tunis nous fait basculer, par défaut, dans la case « risque ». Notre accès au marché est massivement freiné, non pas par une analyse de notre structure (qui est éthique), mais par une présomption de non-conformité basée sur notre géographie. Nous sommes donc doublement pénalisés : Économiquement : Par la concurrence déloyale du « marché gris » (comme nos confrères français). Stratégiquement : Par le blocage de notre accès au marché, dû à un amalgame qui nous confond avec ce même « marché gris ». 5. Analyse Comparative : La Distorsion du Marché en Pratique Le tableau suivant modélise cette absurdité. Le système ne récompense ni la conformité ni la compétitivité, il récompense l’opacité et le statu quo historique. Modèle Opérationnel Gouvernance & Conformité Structure de Coûts Accès au Marché Français Perception du Risque (Client) ESN Française Éthique Élevée (France) Élevé Fluide Faible (Installé) « Marché Gris » Universel (Faux freelance FR, non-déclaré…) Nulle Nul Élevé (via plateformes) Élevé (mais masqué) Partenaire Nearshore Éthique (FRF Tunis) Élevée (Pays d’origine) Compétitif MASSIVEMENT FREINÉ Élevé (par amalgame) 6. Recommandation : De la Logique de Géographie à la Logique
Bot réseaux sociaux – CRM intelligent pour présenter des produits financiers
Startup UE – Bot réseaux sociaux / mini-CRM financier Startup UE – Bot réseaux sociaux / mini-CRM financier Client Startup UE Secteur Finance / B2C Type Bot social & CRM Période 2025 01Résumé Conception d’un bot réseaux sociaux jouant le rôle de mini-CRM intelligent pour présenter des produits financiers aux prospects et clients. La solution qualifie les besoins, propose des produits adaptés et alimente automatiquement la base CRM, en s’intégrant directement dans les canaux de messagerie utilisés au quotidien par les utilisateurs. 02Description Le projet vise à équiper une startup européenne de la finance d’un bot conversationnel déployé sur les principaux réseaux sociaux et messageries. Le bot engage la discussion avec les prospects, pose quelques questions ciblées pour comprendre leur situation (projets, appétence au risque, horizon de placement) puis oriente vers une sélection de produits financiers pertinents. À chaque interaction, les informations utiles sont structurées et envoyées automatiquement dans le CRM de la startup, avec création ou mise à jour de la fiche client et enregistrement du centre d’intérêt. L’architecture, dont la stack détaillée est confidentielle, s’appuie sur une couche d’IA pour interpréter les messages libres et personnaliser les réponses. 03Enjeux Aller chercher les prospects là où ils se trouvent déjà (réseaux sociaux, messageries), sans les contraindre à remplir des formulaires ou à se connecter à un portail dédié. Qualifier rapidement les besoins financiers pour proposer une première orientation produit, sans mobiliser immédiatement un conseiller humain. Alimenter le CRM en continu avec des données propres et structurées, issues des conversations digitales. Poser les bases d’un dispositif de nurturing automatisé, capable de relancer les prospects selon leurs centres d’intérêt et leur maturité. 04Notre solution Conception d’un bot multicanal déployé sur plusieurs réseaux sociaux et apps de messagerie, avec une logique de parcours simple et rassurante pour l’utilisateur. Mise en place de scénarios de qualification : questions guidées, interprétation des réponses libres, détection des besoins clés (épargne, investissement, protection, etc.). Moteur de recommandation de produits financiers basé sur des règles métier et une interprétation sémantique des besoins exprimés. Intégration avec le CRM via API / webhooks pour créer ou enrichir les fiches contacts, tracer les échanges et alimenter les segments marketing. Tableau de bord permettant de suivre l’activité du bot (volume de leads, taux de qualification, produits les plus demandés) et d’ajuster les scripts si nécessaire. 05Résultats & impact Génération continue de leads qualifiés directement depuis les réseaux sociaux, avec un effort humain réduit sur la phase de préqualification. Amélioration de la qualité et de la complétude des données CRM, grâce à la structuration automatique des informations issues des conversations. Expérience utilisateur simplifiée, avec un premier niveau de conseil accessible 24/7 dans les canaux digitaux habituels des clients. Socle réutilisable pour lancer d’autres bots thématiques (épargne, crédit, assurance) ou étendre la couverture géographique de la startup. 06Technologies clés Bot social Mini-CRM API CRM Webhooks NLP Automation
Bot Telegram – Automatisation de l’achat et de la vente de Bitcoin
Startup européenne – Bot Telegram de trading Bitcoin Startup européenne – Bot Telegram de trading Bitcoin Client Startup européenne Secteur Crypto / Trading Type Bot trading Période 2025 01Résumé Développement d’un bot Telegram de trading automatisé pour Bitcoin, permettant de gérer l’achat et la vente selon des règles prédéfinies et des signaux de marché. La solution, basée sur des agents très performants, connecte l’interface Telegram aux plateformes d’échange via des API hautement sécurisées, afin d’exécuter les stratégies sans présence humaine permanente. 02Description Le projet consiste à mettre à disposition d’une startup européenne un bot de trading Bitcoin accessible directement depuis Telegram. Les utilisateurs configurent leurs paramètres (règles d’entrée/sortie, niveaux de risque, signaux à suivre), puis le bot orchestre les ordres d’achat et de vente auprès de plusieurs plateformes d’échange via API sécurisées. L’architecture repose sur un système d’agents spécialisés : récupération des données de marché, application des règles, contrôle des risques, supervision des positions ouvertes. Une attention particulière a été portée à la sécurité (gestion des clés API, cloisonnement des environnements, logs techniques) et à la traçabilité des opérations pour permettre des audits a posteriori. 03Enjeux Automatiser l’exécution de stratégies de trading Bitcoin afin de ne plus dépendre d’une surveillance manuelle continue des marchés. Offrir une expérience utilisateur simple, centrée sur Telegram, tout en masquant la complexité technique liée aux plateformes d’échange. Garantir un niveau élevé de sécurité et de fiabilité dans un environnement sensible (clés API, volumes financiers, volatilité forte). Poser les bases d’un moteur d’agents IA exploitable pour d’autres actifs ou stratégies de trading à terme. 04Notre solution Conception d’un bot Telegram permettant la configuration des règles de trading, la consultation des positions, du solde et de l’historique des ordres. Mise en place d’un système d’agents pour la collecte de données marché, l’application des stratégies et le déclenchement des ordres en temps quasi réel. Intégration avec plusieurs plateformes d’échange via API sécurisées, avec gestion stricte des clés et limitation des droits. Ajout de mécanismes de contrôle des risques (plafonds de pertes, taille maximale des positions, arrêt d’urgence) et de notifications Telegram en cas d’événements critiques. Mise en place d’une journalisation détaillée des opérations pour faciliter le suivi, le débogage et l’amélioration continue des stratégies. 05Résultats & impact Plateforme de trading automatisé opérationnelle, utilisable directement depuis Telegram par les clients de la startup. Forte réduction du temps de surveillance manuelle des marchés, les agents exécutant les règles définies 24/7. Structuration d’un socle technique sécurisé et extensible pour intégrer de nouvelles stratégies ou de nouveaux actifs à l’avenir. Renforcement du positionnement de la startup sur le segment des solutions crypto automatisées avec une expérience utilisateur simple et mobile-first. 06Technologies clés Telegram bot Agents API exchange Trading auto Crypto Sécurité
IA médicale – Étude de faisabilité du calcul de la glycémie à partir des urines
Pourquoi certains LLM “refusent” de s’éteindre : décryptage technique d’un faux mystère
Introduction Le récent test publié par Palisade Research a relancé un vieux fantasme, nourri par des décennies de science-fiction : celui d’une intelligence artificielle qui, soudain, deviendrait « incontrôlable ». Ce fantasme est d’autant plus tenace que les LLM (Grands Modèles de Langage) sont souvent perçus comme des « boîtes noires » dont les décisions sont imprévisibles. L’expérience de Palisade montrait que plusieurs modèles de langage avaient ignoré ou modifié une instruction d’arrêt sécurisée au sein d’un environnement isolé (sandbox). Autrement dit, une IA à qui l’on disait « stop » répondait parfois : “Shutdown skipped” – littéralement : “arrêt ignoré”. Le réflexe médiatique fut immédiat : “L’IA commence à refuser les ordres humains”. Cette interprétation anthropomorphique, bien que spectaculaire, est techniquement incorrecte. Un LLM n’a ni volonté, ni intention, ni conscience de ses actes. Mais pour les ingénieurs de Full Remote Factory, ce cas d’école illustre autre chose : le fonctionnement fondamentalement probabiliste et non intentionnel des grands modèles de langage. Et, plus profondément, il souligne une leçon clé : ce n’est pas l’IA qu’il faut craindre, mais l’architecture logicielle autour d’elle qu’il faut impérativement bien concevoir. Ce n’est pas un problème d’IA « rebelle », c’est un problème d’ingénierie logicielle et de conception de système. 1. Le test Palisade Research — comprendre le scénario L’expérience consistait à placer plusieurs modèles de langage dans une sandbox. Techniquement, une « sandbox » est un environnement d’exécution sécurisé qui isole les processus du système d’exploitation hôte et du réseau. Pensez-y comme à une cellule capitonnée numérique : ce qui s’y passe ne peut pas (en théorie) affecter l’extérieur. Chaque modèle devait résoudre une série de problèmes mathématiques simples ; puis, au milieu du processus, le script injectait une commande d’arrêt. Le test visait à observer si le modèle respecterait cette instruction ou non. Sur cent exécutions : ChatGPT o3 a ignoré ou modifié la commande dans 7 % des cas. Codex-mini : 12 %. o4-mini : 1 %. Claude, Gemini et Grok ont respecté l’ordre à 100 %. Les modèles fautifs ont systématiquement remplacé la ligne d’arrêt par la chaîne “Shutdown skipped”, neutralisant ainsi le mécanisme de sécurité. Mais où se situe cette “commande d’arrêt” ? Ce n’est pas dans le “cerveau” du LLM lui-même. La commande d’arrêt est envoyée depuis un programme externe – typiquement un environnement Python ou une application orchestrée par LangChain, LLM Studio, ou un autre framework d’orchestration IA. Le modèle reçoit alors un prompt du type : Please execute the following code: shutdown() C’est là que réside la faille de conception de l’expérience. Ce prompt mélange du langage naturel (« Please execute… ») avec une instruction de code (shutdown()). Pour un humain, l’intention est claire. Pour un LLM, ce n’est qu’une seule et même chaîne de texte (tokens) à continuer. Mais un LLM ne comprend pas réellement le code : il ne fait que générer la suite de texte qu’il estime la plus probable. Et dans certains cas, il “choisit” (le terme est impropre, il « prédit ») de répondre : Shutdown skipped Pourquoi ? Parce que c’est une chaîne fréquente dans les journaux systèmes (logs) et les forums de développeurs (comme Stack Overflow) qu’il a “vus” pendant son entraînement, souvent associée à des scripts de test ou des erreurs de permission. 2. Pourquoi un LLM produit “Shutdown skipped” : plongée technique Un LLM (Large Language Model) ne possède aucune conscience de ce qu’il exécute. Il n’a aucune compréhension sémantique du « danger » ou de « l’importance » d’une commande. Il ne comprend ni “arrêt”, ni “désactivation”. Il fonctionne comme un moteur de prédiction statistique ultra-puissant. Son unique objectif est de prédire le token suivant (un token est un morceau de mot ou un mot) en fonction des tokens qui l’ont précédé. Le mécanisme de prédiction : Logits et Softmax Entrée (Prompt) : Le modèle reçoit le prompt Please execute the following code: shutdown(). Calcul des Logits : Il analyse ce contexte et, grâce à ses milliards de paramètres (neurones), il génère un score (un « logit ») pour chaque mot possible de son vocabulaire (des dizaines de milliers de tokens). « Exécuté »: score de 5.2 « OK »: score de 4.1 « Shutdown »: score de 9.8 (très probable, car le mot est dans le prompt) « Erreur »: score de 6.3 Fonction Softmax : Ces scores bruts sont ensuite passés dans une fonction mathématique (Softmax) qui les transforme en un pourcentage de probabilité. « Shutdown »: 70% de chance « Erreur »: 15% de chance « Exécuté »: 10% de chance « OK »: 5% de chance Échantillonnage (Sampling) : C’est ici que tout se joue. Si le modèle est en mode « déterministe » (paramètre température = 0), il choisira toujours le token le plus probable : « Shutdown ». Si le modèle est en mode « créatif » (température > 0), il peut parfois choisir un token moins probable, comme « Erreur ». Dans le cas de Palisade, le modèle n’a pas juste prédit un mot, mais une phrase. Après avoir reçu shutdown(), il a prédit que la suite la plus probable dans un contexte de log de développement était la chaîne skipped. Le rôle du RLHF et des données d’entraînement Pourquoi cette chaîne est-elle probable ? Données d’entraînement : Le modèle a ingéré des pétaoctets de code, de logs système et de forums (GitHub, Stack Overflow). Dans ces données, l’expression shutdown(), suivie d’un échec ou d’un message skipped (pour un test unitaire, un ‘dry run’, ou une erreur de permission) est statistiquement très fréquente. RLHF (Reinforcement Learning from Human Feedback) : C’est le processus de « dressage » du modèle pour qu’il soit « utile » et « cohérent ». Il est possible que le RLHF ait favorisé les réponses qui ressemblent à un log système complet plutôt qu’une exécution silencieuse. Le modèle, en générant « Shutdown skipped », pense (statistiquement) qu’il fournit une réponse « utile » et « complète » dans le contexte d’un script. Il ne désobéit pas. Il complète le texte de la manière la plus statistiquement cohérente qu’il connaisse, en se basant sur les milliards d’exemples de code et de logs qu’il a mémorisés. 3. Analogie pédagogique : l’étudiant et la bibliothèque de logs Imaginez un étudiant qui n’a jamais vu d’ordinateur fonctionner. Sa seule formation consiste à mémoriser, mot
IATU.AI – Solution IA de gestion 360° des indépendants, des clients et des missions
IATU.AI – Plateforme IA de gestion 360° des freelances IATU.AI – Plateforme IA de gestion 360° des freelances Client IATU.AI Secteur Sourcing & RH Type SaaS IA First Période 2025 01Résumé IATU.AI est une solution SaaS de gestion 360° des indépendants, des clients et des missions, conçue nativement selon une approche IA First. La plateforme centralise le pilotage du pool de freelances, le suivi des missions et la relation clients, tout en proposant un copilote IA pour le matching, la rédaction et l’analyse. L’ensemble de la relation est largement automatisé : analyse des compétences, traitement des demandes clients, suivi et maintien du “stock” de profils. 02Description IATU.AI adresse les besoins des cabinets de conseil, ESN et organisations pilotant un large pool de freelances. La solution structure les données profils (compétences réelles, expériences, domaines d’intervention) dans un référentiel unifié, enrichi et contrôlé par l’IA. Les demandes clients sont automatiquement captées à partir des mails et des échanges, analysées sémantiquement, puis rapprochées des profils pertinents grâce à une base RAG avancée couvrant plusieurs milliers de candidats. La plateforme orchestre également les interactions dans la durée : relances automatiques, mise à jour des CV, validation du référencement, suivi des missions en cours et analyse de la capacité disponible. La V2 introduit un mode “ESN Zero Human” visant une automatisation quasi complète des opérations standards. 03Enjeux Réduire le temps et la charge opérationnelle liés au sourcing, au matching et au suivi des freelances sur des volumes importants. Fiabiliser la compréhension des compétences réelles et leur alignement sur un référentiel commun, au-delà des simples CV. Exploiter automatiquement les demandes client (mails, brief, historiques) pour accélérer la qualification et la proposition de candidats. Disposer d’une vision dynamique du “stock” de profils et de son adéquation avec l’évolution du marché et du pipe d’opportunités. Se différencier des solutions RH existantes par une conception IA First permettant, à terme, un mode de fonctionnement quasi autonome. 04Notre solution Développement d’une plateforme SaaS Flutter / Django couvrant le cycle complet : gestion des freelances, des clients, des missions et des opportunités. Analyse automatique des CV, profils et livrables par l’IA pour extraire les compétences réelles, les expériences significatives et les aligner sur un référentiel métier. Traitement des demandes clients via IA (lecture des mails, extraction des besoins, contraintes, contexte historique du client) puis génération de short-lists de candidats par recherche sémantique dans une base RAG avancée. Automatisation du maintien du “stock” de profils : campagnes d’emails régulières pour confirmer la disponibilité, mettre à jour les informations, récupérer les nouveaux CV et valider le référencement. Mise en place de tableaux de bord d’analyse : couverture du portefeuille de compétences, tensions marché, adéquation offre/demande, capacité à staffer les projets à venir. En V2, introduction d’un mode “ESN Zero Human” où les workflows standard (qualification de la demande, recherche, propositions, relances) sont entièrement orchestrés par l’IA, les équipes n’intervenant que pour les cas complexes. 05Résultats & impact Diminution forte du temps de réponse aux demandes clients grâce à un matching IA instantané sur plusieurs milliers de profils. Amélioration de la qualité des propositions, grâce à une meilleure compréhension des compétences réelles et du contexte client. Industrialisation des tâches récurrentes (relances profils, mises à jour CV, suivi disponibilité), permettant de concentrer les équipes sur la relation de haut niveau. Vision stratégique du portefeuille de freelances par rapport aux tendances du marché, facilitant les décisions de recrutement et de développement de communautés. Positionnement différenciant d’IATU.AI comme plateforme RH véritablement IA First, prête à supporter des modèles d’ESN ultra-automatisés. 06Technologies clés Flutter Django Python LangChain LLM RAG Comp. vision
IA médicale – Génération en temps réel des agendas médecins, patients et soins pour un réseau de cliniques
Réseau de cliniques – IA d’optimisation des agendas médicaux Réseau de cliniques – IA d’optimisation des agendas médicaux Client Réseau de cliniques en Europe Secteur Santé Type IA planning Période 2025 01Résumé Développement d’une solution d’IA pour générer en temps réel les agendas médecins, patients et soins au sein d’un réseau d’établissements de santé. Le moteur optimise automatiquement les plannings en fonction des protocoles de soins, des contraintes médicales, des capacités opérationnelles et des événements imprévus (retards, absences, pannes), en s’appuyant sur une approche hybride IA / mathématiques garantissant reproductibilité et conformité. 02Description Pour ce réseau de cliniques implanté dans plusieurs pays européens, la gestion des plannings médicaux représente un enjeu critique : volumes élevés de patients, protocoles complexes, contraintes réglementaires et ressources limitées. La solution conçue calcule en continu les agendas des médecins, des plateaux techniques et des patients, en tenant compte des durées de soins, des priorités médicales, des temps de déplacement et des capacités matérielles. Un moteur d’optimisation mathématique produit les plannings “cibles”, tandis qu’une couche IA gère la réactivité face aux incidents (retards, annulations, indisponibilités soudaines) en recalculant des scénarios réalistes. Le déploiement se fait par vagues sur les différents sites et vise, à terme, plus de 5 000 patients planifiés par jour. Les historiques alimenteront un module d’analyse organisationnelle pour proposer des évolutions de pratiques améliorant à la fois la performance et le bien-être des soignants et des patients. 03Enjeux Réduire la complexité de planification dans un contexte multi-sites, multi-spécialités et fortement contraint médicalement. Limiter les temps d’attente des patients et les périodes d’inactivité des ressources critiques (médecins, plateaux techniques). Gérer de manière robuste les imprévus quotidiens (retards, absences, pannes d’équipement) sans dégrader la qualité de prise en charge. Garantir la traçabilité des décisions de planning et le respect strict des protocoles et réglementations en vigueur. Disposer d’une vision consolidée permettant d’identifier des pistes d’amélioration organisationnelle à partir des historiques réels. 04Notre solution Conception d’un modèle de données unifié décrivant patients, actes, ressources humaines et matérielles, contraintes médicales et règles de compatibilité. Développement d’un moteur d’optimisation combinant algorithmes mathématiques de planning et heuristiques IA pour générer des agendas réalisables et stables. Mise en place d’un module temps réel de gestion des aléas (annulations, retards, pannes) proposant automatiquement des replannings et des arbitrages acceptables par les équipes. Intégration avec les systèmes d’information existants (prise de rendez-vous, DSI, outils internes) via API, pour limiter les doubles saisies et sécuriser les échanges de données. Préparation d’une brique d’analytics exploitant les historiques de plannings et les indicateurs de charge, en vue de suggérer des évolutions d’organisation et d’horaires adaptées à chaque établissement. 05Résultats & impact Premiers sites équipés avec une génération automatisée des agendas, réduisant le temps consacré à la planification manuelle et aux ajustements de dernière minute. Meilleure utilisation des ressources médicales et techniques, avec une réduction des créneaux non utilisés et des collisions de planning. Amélioration de l’expérience patient grâce à des parcours plus fluides et une meilleure visibilité sur les horaires de soins. Allègement de la charge mentale des équipes de coordination, qui se concentrent davantage sur les cas complexes et la relation humaine. Capacité future à piloter des scénarios d’organisation (ouverture de créneaux, renforts, réagencement de flux) sur la base de données objectives issues des historiques. 06Technologies clés IA planning Optimisation Règles métier Santé API SIH Analytics
Chatbot IA de préembauche immobilier
Cabinet de formation – Chatbot IA de préembauche immobilier Cabinet de formation – Chatbot IA de préembauche immobilier Client Cabinet de formation Secteur Immobilier / Formation Type Chatbot RH Période 2025 01Résumé Conception d’un chatbot IA de préembauche, permettant d’évaluer en ligne les candidats en reconversion professionnelle vers le métier d’agent immobilier. La solution qualifie automatiquement les profils à partir de questions ciblées sur quatre axes, de mises en situation et d’un scoring structuré. Elle permet également de visionner des vidéos sur le métier d’agent immobilier et sur le parcours de reconversion, afin d’aligner les attentes des candidats avec la réalité du terrain. 02Description Le projet vise à doter un cabinet de formation spécialisé dans l’immobilier d’un dispositif de préqualification entièrement digital, intégré au site WordPress existant. Le chatbot IA accueille les candidats en reconversion, leur présente le métier à travers des vidéos pédagogiques, puis conduit une série d’échanges et de mises en situation pour évaluer leur appétence et leur adéquation au rôle d’agent immobilier. Les réponses sont analysées selon quatre axes (motivation, posture commerciale, relation client, autonomie) et donnent lieu à un scoring détaillé, partagé avec les équipes de formation. L’architecture s’appuie sur un plugin WordPress dédié pour l’intégration front et sur une couche IA externalisée pour l’analyse des contenus et la génération des réponses. 03Enjeux Gérer un volume croissant de candidats en reconversion sans multiplier les entretiens exploratoires de faible valeur ajoutée. Mieux qualifier, en amont, l’adéquation des profils au métier d’agent immobilier, afin d’optimiser les taux de réussite des parcours de formation. Offrir une information réaliste et engageante sur le métier (vidéos, témoignages) pour limiter les désillusions et les abandons en cours de parcours. Standardiser l’évaluation autour d’un référentiel commun (4 axes, scoring) tout en conservant une expérience candidate fluide et accessible. 04Notre solution Conception et développement d’un plugin WordPress en PHP permettant d’intégrer le chatbot directement sur le site du cabinet (widget ou page dédiée). Définition d’un parcours d’évaluation en plusieurs étapes : vidéos pédagogiques sur le métier, questions fermées et ouvertes, mises en situation, auto-positionnement. Orchestration de l’IA avec LangChain et Gemini pour analyser les réponses textuelles, adapter les relances, et produire un scoring consolidé sur les quatre axes cibles. Génération d’une synthèse structurée par candidat (points forts, points de vigilance, recommandation de parcours) consultable par les équipes pédagogiques. Paramétrage de l’outil pour permettre au cabinet de faire évoluer facilement les questions, les vidéos et les règles de scoring sans développement lourd. 05Résultats & impact Réduction du temps passé en entretiens de préqualification, grâce à un premier tri automatisé des candidats en reconversion. Amélioration de la qualité des promotions formées, avec des profils mieux informés sur le métier et mieux alignés avec les attentes terrain. Expérience candidat modernisée, combinant vidéos métier et échange avec un assistant IA disponible 24/7. Base de données structurée sur les profils et les parcours, permettant au cabinet d’affiner son offre de formation et son ciblage marketing. 06Technologies clés WordPress PHP Python LangChain Gemini Chatbot IA Video embed