Cabinet de stratégie – Expérimentation IA & Machine Learning sur Data Factory / Power BI Cabinet de stratégie – IA & Machine Learning sur Data Factory / Power BI Client Cabinet de stratégie France / USA Secteur Conseil & Data Type ML & LLM Analytics Période 2024 01Résumé Mission d’expérimentation et de recommandations pour un cabinet de stratégie disposant d’une architecture data avancée (Azure Data Factory, Power BI) au service de clients grands comptes. Le projet vise à démontrer la pertinence de compléter l’approche traditionnelle “statistique & mathématique” par des modèles de machine learning, et à prouver la faisabilité d’intégrer une IA avancée dans l’architecture existante, sans remise en cause profonde de l’existant. 02Description Le client dispose déjà d’un socle data mature permettant de produire des analyses stratégiques de haut niveau pour ses clients aux États-Unis et en Europe. La mission consiste à tester, sur des cas d’usage concrets, la valeur ajoutée du machine learning et des LLM par rapport aux modèles statistiques classiques. Les use cases retenus portent sur la prédiction de la consommation de ressources (eau, pétrole, gaz) pour l’ensemble des États américains, en combinant historiques de consommation, identification de patterns et intégration de données externes (météo, chômage, indices de prix, etc.). Une brique LLM dédiée est ajoutée pour interpréter et formaliser les résultats en langage naturel, en complément des restitutions Power BI. Le projet a permis d’aboutir à une architecture cible IA claire, à des patterns d’intégration dans Data Factory / Power BI et à la sélection du bon type de modèles IA, tout en gardant la stack détaillée confidentielle. 03Enjeux Évaluer objectivement le gain de performance des modèles de machine learning par rapport aux approches statistiques déjà en place. Démontrer que l’ajout d’IA avancée peut se faire en continuité de l’architecture existante (Azure, Data Factory, Power BI) sans “big bang” technologique. Tester l’apport des données externes (météo, indicateurs macroéconomiques) dans les prédictions de consommation par État. Offrir aux consultants stratégiques des restitutions interprétables, utilisables en rendez-vous client, grâce à une couche LLM de narration et d’explication. 04Notre solution Diagnostic de l’architecture data existante (pipelines Data Factory, modèles Power BI, référentiels de données) et identification des points d’insertion possibles pour le ML. Construction de jeux d’apprentissage combinant historiques de consommation par État et variables explicatives externes (météo, chômage, prix de l’énergie, indicateurs démographiques). Expérimentation de plusieurs familles de modèles de machine learning pour la prévision (modèles temps-série, modèles tabulaires avancés), avec comparaison rigoureuse aux approches historiques. Conception d’un pattern d’orchestration dans Azure Data Factory pour entraîner, scorer et exposer les résultats, réinjectés dans les modèles de données Power BI. Mise en place d’une brique LLM pour l’interprétation : génération de commentaires automatiques, résumés par État, explication des drivers principaux de la consommation. Rédaction d’un dossier de recommandations (architecture IA cible, démarche d’industrialisation, choix de modèles et bonnes pratiques de gouvernance). 05Résultats & impact Validation de plusieurs cas d’usage où le machine learning apporte un gain de précision significatif par rapport aux modèles statistiques existants. Preuve de faisabilité d’une intégration IA “low friction” dans l’architecture Azure actuelle, sans refonte des modèles Power BI ni des flux Data Factory. Mise à disposition de templates d’architecture et de pipelines réutilisables pour de futurs projets IA du cabinet. Adoption d’une couche LLM d’interprétation permettant aux équipes de conseil de disposer de narratifs clairs, directement activables dans leurs livrables clients. Positionnement renforcé du cabinet comme acteur capable de combiner data, ML et IA générative dans ses missions stratégiques. 06Technologies clés Azure DF Power BI ML Time-series External data LLM insights
IA commerciale – Analyse des entretiens complexes pour générer décisions et plans d’action
Startup française – Business Meet IA Resume Startup française – Business Meet IA Resume Client Startup française Secteur Sales / B2B Type IA commerciale Période 2024 01Résumé Développement de Business Meet IA Resume, une solution d’IA commerciale qui analyse automatiquement les entretiens complexes de plus de deux heures (visio, appels, réunions) pour générer des synthèses structurées, des décisions clés et des plans d’actions opérationnels. L’outil, hébergé en France avec flux vidéo privés et traitement conforme RGPD, aide les équipes Sales à gagner du temps, mieux suivre les opportunités et sécuriser le closing. 02Description Business Meet IA Resume a pour objectif de transformer les longues réunions commerciales en informations immédiatement exploitables. Les enregistrements d’appels, de visio ou de workshops clients sont transcrits puis analysés par une couche d’IA qui identifie les enjeux, les acteurs, les objections, les engagements pris et les prochaines étapes. La plateforme permet de centraliser ces éléments dans une interface Flutter accessible sur desktop et mobile, avec un accès sécurisé aux comptes et aux réunions par opportunité. L’architecture privilégie un hébergement des données en France, avec flux vidéo privés, afin de répondre aux exigences de confidentialité et de conformité RGPD des grands comptes. 03Enjeux Volume important de réunions commerciales longues, difficiles à relire et à partager, entraînant une perte d’information critique entre les équipes. Besoin de structurer le suivi des opportunités (décideurs, enjeux, risques, prochaines étapes) sans multiplier les comptes rendus manuels. Nécessité de fiabiliser le pilotage du pipe et du closing, en s’assurant que toutes les décisions et actions issues des réunions sont tracées et suivies. Exigences fortes de confidentialité et de conformité RGPD sur les données audio/vidéo échangées avec les clients. 04Notre solution Ingestion sécurisée des enregistrements (visio, appels, réunions) puis transcription automatique pour créer une base texte exploitable. Analyse des contenus via LangChain et modèles Mistral pour extraire les thèmes clés, décisions, objections, risques et plans d’actions associés à chaque réunion. Génération de synthèses structurées adaptées au métier Sales : résumé exécutif, points marquants, actions à engager, responsables, échéances. Application Flutter offrant une vue par compte et par opportunité, avec historique des réunions, recherche plein texte et export des comptes rendus. Architecture backend Python conçue pour un hébergement en France, flux chiffrés et gestion stricte des droits d’accès, en ligne avec les attentes RGPD des clients. 05Résultats & impact Réduction significative du temps passé à rédiger et partager les comptes rendus de réunions commerciales. Meilleure continuité dans le suivi des opportunités, même en cas de changement d’interlocuteur ou de passage de relais entre équipes. Amélioration de la qualité du pilotage commercial grâce à une vision claire des décisions prises et des actions à mener pour sécuriser le closing. Différenciation forte de l’offre de la startup avec une solution d’IA commerciale alignée avec les exigences de confidentialité des grands comptes. 06Technologies clés Flutter Python LangChain Mistral LLM API REST RGPD
IA juridique – Un chatbot formé sur 200 000 pages de lois sociales françaises
Grand cabinet d’affaires – Chatbot IA collaboratif droit social Grand cabinet d’affaires – Chatbot IA collaboratif droit social Client Grand cabinet d’affaires Secteur Juridique Type Chatbot IA juridique Période 2024 01Résumé Mise en place d’un chatbot collaboratif par équipe permettant d’interroger une IA entraînée sur plus de 200 000 pages de droit social français depuis 1954. La solution génère également des documents types (mémos, courriers, projets d’actes) en s’inspirant du corpus documentaire existant, tout en offrant un circuit de questions vers les associés dont les réponses viennent enrichir en continu la base de connaissance. 02Description Conçu pour un grand cabinet d’affaires spécialisé en droit social, le chatbot IA fonctionne comme un assistant de recherche et de production documentaire au service des équipes. Chaque équipe dispose de son espace collaboratif où elle interroge l’IA sur les textes, la doctrine interne et les publications maison, le tout indexé à partir de plus de 200 000 pages de lois, décrets, conventions collectives et notes internes depuis 1954. L’outil propose des réponses sourcées, des pistes d’arguments et la génération de documents types à adapter. Lorsque la question dépasse le périmètre standard, les assistants juridiques peuvent solliciter directement un associé via l’interface ; la réponse validée alimente ensuite le corpus de l’IA, dans une logique de capitalisation continue. La solution est entièrement développée et entraînée sur mesure, avec une stack technique confidentielle. 03Enjeux Réduire le temps consacré à la recherche documentaire et à la lecture de textes complexes en droit social. Capitaliser systématiquement sur la production intellectuelle des associés et des équipes, plutôt que de laisser les réponses circuler uniquement par mail ou oral. Homogénéiser la qualité des documents produits (mémos, notes, projets de courriers) en s’appuyant sur les meilleurs modèles existants. Offrir un outil collaboratif moderne qui renforce l’attractivité du cabinet pour les jeunes talents et les profils expérimentés. 04Notre solution Construction d’une base de connaissance propriétaire à partir de 200 000 pages de textes officiels, doctrine et documents internes en droit social français depuis 1954. Développement d’un chatbot IA par équipe, avec gestion fine des droits, de l’historique des questions et des conversations partagées. Mise en place de fonctionnalités de génération de documents types (modèles d’actes, courriers, notes) en s’appuyant sur le corpus existant et les pratiques du cabinet. Workflow de questions vers les associés : escalade d’une question complexe, réponse validée, puis intégration contrôlée dans la base IA pour enrichir la connaissance collective. Encadrement strict de la solution sur les plans sécurité, confidentialité et traçabilité, adapté aux exigences d’un cabinet d’affaires de premier plan. 05Résultats & impact Gain de temps significatif pour les assistants et collaborateurs sur la recherche et la rédaction des premiers jets. Meilleure diffusion de la doctrine interne et des positions du cabinet, grâce à la centralisation et à la mise à jour continue du corpus IA. Amélioration de la qualité et de l’homogénéité des documents remis aux clients, tout en laissant aux associés la main sur la validation finale. Socle IA sur mesure, extensible à d’autres branches du droit ou à d’autres bureaux du cabinet. 06Technologies clés Droit social Chatbot IA RAG Gen docs 200k pages Knowledge base
IA médicale – Expérimentation de détection des cancers de la peau
Projet R&D confidentiel – IA de détection des cancers de la peau Projet R&D confidentiel – IA de détection des cancers de la peau Client R&D confidentiel Secteur Santé Type IA médicale / R&D Période 2024 01Résumé Projet R&D d’expérimentation de modèles d’IA de vision médicale pour aider à la détection précoce des cancers de la peau à partir d’images dermatologiques. Les travaux portent sur le testing de plusieurs architectures de deep learning afin d’évaluer leur performance, leur robustesse et leur explicabilité dans un contexte clinique exigeant. 02Description Ce projet R&D vise à comparer différentes approches d’IA de vision médicale appliquées à la détection précoce des cancers cutanés. À partir d’un corpus d’images dermatologiques annotées, plusieurs familles de modèles de deep learning sont entraînées et évaluées sur leur capacité à distinguer lésions bénignes et lésions suspectes. Au-delà du seul niveau de performance brute, l’étude s’intéresse à la stabilité des résultats, à la sensibilité aux variations de données et à la capacité des modèles à fournir des éléments d’explicabilité utilisables par les médecins. La stack technique détaillée est confidentielle, mais le projet s’appuie sur des frameworks scientifiques de référence et des bonnes pratiques d’IA médicale (validation croisée, splits patients, métriques adaptées). 03Enjeux Contribuer à la détection plus précoce des cancers de la peau, où le pronostic dépend fortement de la rapidité du diagnostic. Identifier les architectures de deep learning les plus adaptées aux images dermatologiques dans un contexte de pratique clinique réelle. Évaluer la robustesse des modèles face aux variations de qualité d’image, de matériel ou de conditions de prise de vue. Intégrer des éléments d’explicabilité pour favoriser l’acceptation de l’IA par les dermatologues et respecter les exigences de confiance en santé. 04Notre solution Constitution et préparation d’un dataset d’images dermatologiques annotées, avec procédures de nettoyage, d’anonymisation et de normalisation. Entraînement et évaluation de plusieurs architectures de deep learning (modèles de vision avancés), avec protocoles d’expérimentation rigoureux. Mise en place d’une batterie de métriques (sensibilité, spécificité, AUC, calibration) pour comparer les modèles sur des critères cliniquement pertinents. Analyse de la robustesse (tests de stress, perturbations d’images) et exploration de techniques d’explicabilité (cartes de chaleur, attribution de caractéristiques). Production d’une matrice de performance et de recommandations scientifiques permettant de guider les choix d’architecture pour de futurs dispositifs médicaux basés sur l’IA. 05Résultats & impact Matrice comparative de performance, robustesse et explicabilité des principales architectures testées sur les images dermatologiques. Identification de pistes d’optimisation (pré-traitements, stratégies d’augmentation, réglages de modèles) pour améliorer la sensibilité sans sacrifier la spécificité. Base scientifique exploitable pour de futurs projets d’industrialisation (dispositifs médicaux, outils d’aide à la décision pour dermatologues). Capitalisation méthodologique sur la manière de mener des expérimentations IA en santé dans un cadre exigeant de robustesse et de confiance. 06Technologies clés Vision médicale Deep learning Images peau Explainable AI Frameworks IA R&D santé
Liv’IA, l’assistante mode IA – Essayage virtuel et personal shopper pour le retail
Atelierprivé.com – Lliv’IA, assistante mode IA & essayage virtuel Atelierprivé.com – Lliv’IA, assistante mode IA & essayage virtuel Client Atelierprivé.com Secteur Retail / Mode Type IA mode & essayage Période 2024 01Résumé Développement de Lliv’IA, une assistante mode IA pour le retail, combinant avatar biométrique, essayage virtuel et recommandations personnalisées de tenues. La solution joue le rôle de personal shopper digital, directement connectée au catalogue e-commerce d’Atelier Privé, pour aider chaque client à trouver rapidement des looks cohérents avec son style, sa morphologie et le contexte de son achat. 02Description Le projet Lliv’IA vise à offrir aux clients d’Atelier Privé une expérience d’achat mode nouvelle génération, fondée sur un avatar biométrique et l’essayage virtuel. À partir de quelques informations (mensurations, morphologie, préférences de style, contexte de l’événement), la solution génère un avatar 3D et propose des tenues complètes construites à partir du catalogue Prestashop. L’IA sélectionne les pièces compatibles (tailles, coupes, couleurs) et présente des silhouettes prêtes à l’emploi, avec possibilité d’ajuster certains éléments (chemise, veste, accessoires). Le moteur de recommandation, appuyé sur LangChain et ChatGPT, permet de dialoguer avec l’assistante (“je cherche une tenue business casual pour un séminaire”, “je veux quelque chose de plus formel”), qui ajuste en temps réel ses propositions. 03Enjeux Faciliter le choix de tenues complètes pour des clients souvent hésitants sur les associations de pièces, les coupes et les tailles. Réduire les retours liés à un mauvais choix de taille ou de coupe, en tenant mieux compte de la morphologie et des préférences. Augmenter la valeur moyenne du panier en proposant des looks complets (haut, bas, veste, accessoires) plutôt que des achats unitaires. Différencier l’expérience e-commerce d’Atelier Privé face à la concurrence en intégrant une assistante mode IA à forte valeur d’usage. 04Notre solution Conception d’un avatar biométrique 3D sous Unity, alimenté par les mensurations et la morphologie du client, pour simuler l’essayage virtuel des pièces du catalogue. Intégration avec Prestashop pour récupérer en temps quasi réel les produits, tailles, couleurs, stocks et prix, et construire des tenues directement à partir de l’offre existante. Mise en place d’un moteur de recommandation mode basé sur LangChain et ChatGPT, capable de proposer des looks complets en fonction du contexte (événement, dress code, saison) et des préférences utilisateur. Interface conversationnelle permettant au client d’affiner ses choix (“plus casual”, “moins formel”, “ajouter une veste”) et de valider une tenue en quelques interactions. Architecture pensée pour être enrichie progressivement avec de nouvelles règles métier (gestion des stocks, marges, priorisation de certaines gammes). 05Résultats & impact Expérience client fortement enrichie, avec un accompagnement proche d’un personal shopper en boutique mais accessible en ligne 24/7. Simplification du choix pour le client, qui visualise directement des ensembles cohérents plutôt que de parcourir le catalogue pièce par pièce. Potentiel d’augmentation du panier moyen via la mise en avant de tenues complètes et d’accessoires complémentaires. Socle réutilisable pour déployer l’assistante sur d’autres verticales (autres segments de clientèle, autres marques) ou ajouter de nouveaux services (conseil morphologie, abonnements look). 06Technologies clés Unity Prestashop Python LangChain LLM Avatar 3D Reco IA
Chatbot IA – Réponses en temps réel grâce au scraping du site web
Projet R&D – Chatbot IA connecté au site web & PDF Projet R&D – Chatbot IA connecté au site web & PDF Client R&D interne Secteur Tous secteurs Type Chatbot IA / R&D Période 2024 01Résumé Projet R&D de développement d’un chatbot IA capable de récupérer automatiquement, en temps réel, les informations d’un site web et des documents PDF pour répondre aux questions des clients. La solution combine scrapping, indexation intelligente et génération de réponses en langage naturel, afin d’offrir un assistant facilement intégrable sur tout type de site via une simple iframe HTML. 02Description Ce projet R&D a pour objectif de constituer un socle générique de chatbot IA “branché” sur le site web de l’entreprise et sa documentation PDF. Le moteur de scrapping collecte automatiquement les contenus publics (pages, FAQ, fiches produits, articles) ainsi que les documents structurants mis à disposition, puis les transforme en une base de connaissance interrogeable en langage naturel. L’interface de chat est intégrée au site sous forme d’iframe, sans modification lourde du front existant. Le cœur IA repose sur LangChain et ChatGPT, orchestrant les appels au LLM après récupération des passages pertinents. L’ensemble est pensé comme une brique réutilisable pour tout secteur, facilement déployable sur de nouveaux sites. 03Enjeux Valoriser la masse d’information déjà présente sur les sites et documents PDF, mais difficilement accessible pour les utilisateurs finaux. Réduire la charge des équipes support sur les questions récurrentes, tout en offrant une réponse immédiate et contextualisée 24/7. Disposer d’un socle chatbot IA générique, adaptable à différents secteurs et cas d’usage, sans redévelopper à chaque fois une architecture spécifique. Expérimenter des composants RAG, de scrapping et d’orchestration LLM pour les futurs projets clients. 04Notre solution Mise en place d’un pipeline de scrapping pour collecter automatiquement les contenus du site (HTML) et les documents PDF, avec des mécanismes de rafraîchissement régulier. Indexation intelligente des textes dans une base de connaissance optimisée pour la recherche sémantique et la récupération de passages pertinents. Orchestration des interactions via LangChain : récupération des bons contenus, construction de prompts de contexte et appel à ChatGPT pour générer des réponses en langage naturel. Intégration du chatbot sous forme d’iframe HTML, facilement réutilisable et paramétrable pour différents sites, avec options de branding. Conception d’une architecture modulaire permettant de réutiliser ce socle R&D dans des projets sectoriels (santé, finance, retail, industrie, etc.). 05Résultats & impact Socle technique prêt à être industrialisé pour des chatbots IA “branchés site web” sur différents comptes clients. Réduction attendue des sollicitations de premier niveau pour les équipes support, au profit d’un self-service client plus efficace. Amélioration de l’accès à l’information pour les utilisateurs finaux, avec des réponses cohérentes avec les contenus officiels du site et des PDF. Capitalisation interne sur les bonnes pratiques RAG (scrapping + indexation + LLM), réutilisable dans d’autres solutions Full Remote Factory. 06Technologies clés Python LangChain ChatGPT RAG Scraping PDF Iframe
Swipe & Click – Navigation e-commerce mobile par le pouce, connectée à Prestashop
Atelierprivé.com – Swipe & Click, expérience e-commerce mobile Atelierprivé.com – Swipe & Click, expérience e-commerce mobile Client Atelierprivé.com Secteur E-commerce / Retail Type App mobile & IA Période 2023 01Résumé Conception de Swipe & Click, une expérience de navigation e-commerce pensée pour le pouce sur mobile, entièrement connectée à Prestashop. L’interface permet de parcourir, filtrer et ajouter des produits au panier en quelques gestes, afin d’augmenter le taux de conversion mobile et de simplifier le parcours d’achat. L’application intègre également un chatbot IA client, qui accompagne l’utilisateur tout au long de son parcours (questions produits, tailles, commandes) directement depuis l’interface mobile. 02Description Le projet Swipe & Click vise à proposer à Atelierprivé.com une expérience e-commerce mobile optimisée pour un usage à une main, centrée sur le geste du pouce. L’application Flutter se connecte au back-office Prestashop pour exposer le catalogue produits, les prix, les promotions et les stocks en temps quasi réel, dans une interface épurée et rapide à parcourir. Les clients peuvent balayer les produits, appliquer des filtres, consulter des fiches détaillées et ajouter au panier en un minimum de gestes, sans friction. Un chatbot IA intégré, basé sur LangChain et ChatGPT, apporte une couche de conseil et d’assistance : réponses aux questions fréquentes, aide au choix, suivi de commande. L’ensemble constitue une vitrine mobile moderne, différenciante, conçue pour améliorer l’expérience utilisateur et la performance commerciale. 03Enjeux Taux de conversion mobile inférieur au potentiel, du fait de parcours d’achat peu adaptés à une navigation à une main sur smartphone. Besoin de fluidifier l’accès au catalogue (parcours, filtres, ajout au panier) tout en restant connecté au socle Prestashop existant. Attente d’une relation plus interactive avec les clients, capable de répondre instantanément aux questions sans surcharger le support humain. Volonté de moderniser l’image d’Atelierprivé.com avec une expérience mobile premium, centrée sur l’usage réel des clients. 04Notre solution Conception d’une application Flutter pensée “thumb-first”, avec un parcours de navigation basé sur le swipe et des actions clés accessibles en quelques gestes (favoris, détails, ajout au panier). Intégration avec Prestashop via API pour la synchronisation du catalogue, des stocks, des promotions et des informations de compte client. Mise en place d’un chatbot IA embarqué dans l’application, construit avec LangChain et ChatGPT, pour répondre aux questions sur les produits, les tailles et les commandes. Architecture légère et évolutive, permettant de tester rapidement de nouvelles mécaniques d’engagement (recommandations, campagnes ciblées, scénarios de relance). 05Résultats & impact Parcours mobile simplifié, plus rapide et plus agréable pour les utilisateurs d’Atelierprivé.com. Meilleure mise en avant du catalogue sur smartphone, avec un accès plus direct aux produits et aux filtres clés. Diminution de la charge du support client sur les questions récurrentes grâce au chatbot IA, tout en offrant une réponse instantanée aux clients. Socle applicatif réutilisable pour de futures fonctionnalités d’IA (recommandations personnalisées, segmentation comportementale, scénarios de fidélisation). 06Technologies clés Flutter Prestashop Python LangChain LLM Chatbot IA API REST
IA d’assistance pour les entraineurs de football
Startup confidentiel – Assistant IA vidéo pour entraîneurs de football Startup confidentiel – Assistant IA vidéo pour entraîneurs de football Client Startup confidentiel Secteur Sport / IA Type IA vidéo Période 2023 01Résumé Développement d’une solution d’assistance IA pour les entraîneurs de football, permettant d’analyser automatiquement les vidéos des matchs et des entraînements afin d’optimiser les décisions tactiques et la performance des joueurs, notamment lors des revues vidéo d’après match ou séance. La plateforme combine vision par ordinateur, analyse statistique avancée et recommandations générées par LLM pour transformer des heures de vidéo en insights directement exploitables par les staffs techniques. 02Description Le projet consiste à doter une startup spécialisée dans la performance football d’un assistant IA capable d’analyser automatiquement les vidéos de matchs et d’entraînements. Les flux vidéo sont traités par des modèles de Computer Vision pour détecter le ballon, les positions des joueurs, les trajectoires, les contacts et les principales phases de jeu. Ces données structurées alimentent ensuite des modules d’analyse statistique et un LLM, afin de produire des synthèses lisibles par les entraîneurs : temps forts, patterns tactiques, comportements récurrents par joueur ou par ligne. L’interface Flutter permet aux staffs de naviguer dans les séquences clés, de filtrer par type de situation (transitions, pressing, coups de pied arrêtés, etc.) et de préparer rapidement les revues vidéo collectives. Le back-end Django / Python orchestre les traitements, la gestion des données et l’exposition des API, dans une logique de MVP déjà opérationnel et extensible. 03Enjeux Volume très important de vidéos (matches, entraînements) rendant les revues manuelles longues, incomplètes et fortement dépendantes de la subjectivité des observateurs. Besoin d’objectiver la performance des joueurs et des lignes (déplacements, intensité, respect des consignes tactiques) à partir de données fiables et comparables dans le temps. Nécessité de préparer plus rapidement les débriefings vidéo, en ciblant les séquences les plus pertinentes pour l’équipe et en réduisant la charge de préparation pour le staff. Volonté pour la startup de construire un socle technologique différenciant sur le marché des solutions de performance football en combinant Computer Vision, statistiques avancées et IA générative. 04Notre solution Conception d’une plateforme end-to-end qui ingère les vidéos de matchs et d’entraînements, les découpe en séquences et applique des modèles YOLO pour détecter ballon, joueurs, trajectoires et contacts. Structuration des données issues de la vision par ordinateur pour alimenter des analyses statistiques (occupation des espaces, distances, enchaînements de passes, transitions, phases défensives / offensives). Intégration d’un LLM via LangChain et Gemini pour générer des synthèses tactiques en langage naturel, adaptées aux besoins des entraîneurs et des préparateurs. Développement d’une application Flutter pour permettre au staff de naviguer dans les séquences clés, filtrer par situation de jeu et préparer les revues vidéo d’après match de manière plus rapide et structurée. Mise en place d’un back-end Django / Python orchestrant les traitements, la gestion des données, les API et les scénarios d’évolution produit (ajout de nouveaux indicateurs, nouveaux sports, etc.). 05Résultats & impact Réduction significative du temps nécessaire pour préparer les revues vidéo d’après match ou entraînement, grâce à l’identification automatique des séquences clés. Mise à disposition d’une lecture plus objective de la performance (par joueur, par ligne, par type de situation), facilitant les décisions tactiques et le travail de préparation. Amélioration de la qualité des échanges entre staff et joueurs grâce à des séquences ciblées et à des commentaires générés en langage clair. Création d’un socle technologique réutilisable pour adresser d’autres championnats ou sports collectifs et intégrer, à terme, des modules complémentaires (prévention des blessures, scouting, analyse de l’adversaire). 06Technologies clés Flutter Django Python YOLO LangChain LLM API REST
