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
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
IA hôtelière – Personnalisation des séjours : culture, loisirs, restauration et activités
Éditeur luxe – Moteur IA de personnalisation du séjour hôtelier Éditeur luxe – Moteur IA de personnalisation du séjour hôtelier Client Éditeur de solutions hôtelières de luxe Secteur Hôtellerie / Luxe Type IA séjour Période 2025 01Résumé Conception d’un moteur IA de personnalisation du séjour hôtelier, destiné à un éditeur de solutions digitales pour l’hôtellerie de luxe. Le dispositif propose automatiquement des offres et parcours sur mesure en fonction du profil client, de ses préférences déclarées et de son comportement de navigation. L’IA est spécifiquement adaptée aux codes du luxe, pour suggérer des expériences, services et options à la hauteur des attentes d’une clientèle exigeante. 02Description Le projet vise à doter un éditeur de solutions hôtelières haut de gamme d’un moteur de personnalisation capable d’orchestrer l’ensemble du séjour : choix de la chambre, services additionnels, restauration, spa, activités, transferts, options spéciales. À partir des données disponibles (profil, historique de séjours, préférences déclarées, comportement de navigation sur les interfaces web et mobiles), le moteur IA calcule des scénarios de séjour pertinents et les présente sous forme de recommandations contextualisées. L’approche tient compte des spécificités du luxe : cohérence avec l’image de marque, discrétion, valorisation des expériences singulières plutôt que des simples “upgrades” tarifaires. La stack technique détaillée est confidentielle, mais l’architecture a été pensée pour une intégration fluide dans les produits existants de l’éditeur. 03Enjeux Proposer une expérience hyper-personnalisée à des clients habitués aux standards du luxe, dès la phase de préparation du séjour et tout au long de leur présence à l’hôtel. Augmenter le revenu par séjour (upsell, cross-sell) sans dégrader la perception premium de la marque ni donner l’impression de “vente forcée”. Exploiter pleinement les données déjà présentes dans les systèmes de l’éditeur (CRM, PMS, outils digitaux) pour générer de la valeur métier. Offrir à l’éditeur un prototype réel démontrant la valeur de l’IA auprès de ses clients hôteliers, en vue d’une industrialisation future. 04Notre solution Conception d’un moteur de recommandation qui agrège les informations clients (profil, historique, préférences, navigation) pour générer des propositions de séjour personnalisées. Définition de règles métiers spécifiques au luxe (ton, niveau de service, posture de conseil) afin que les recommandations respectent l’ADN des marques hôtelières haut de gamme. Génération de scénarios de séjour complets (avant, pendant, après séjour) : suggestions de chambres, services, restaurants, expériences et attentions personnalisées. Intégration du moteur dans l’écosystème digital de l’éditeur via API, pour l’exploiter dans plusieurs interfaces : moteur de réservation, portail client, app mobile, outils de conciergerie. Mise en place d’indicateurs de performance (taux d’acceptation des propositions, panier moyen, satisfaction) pour mesurer l’impact et préparer le passage à l’échelle. 05Résultats & impact Prototype réel de moteur IA démontrant la faisabilité et la valeur de la personnalisation du séjour pour les hôtels de luxe. Capacité accrue à proposer des séjours “signatures” et des expériences différenciantes, en cohérence avec chaque marque hôtelière. Potentiel d’augmentation du revenu par chambre occupée via un upsell plus fin, mieux ciblé et perçu comme du conseil. Socle fonctionnel et architectural prêt à être industrialisé dans la suite logicielle de l’éditeur et décliné sur plusieurs établissements. 06Technologies clés Reco IA Séjour hôtelier Data client API Parcours digital Luxe
Expérimentation IA & Machine Learning sur Data Factory / Power BI
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
