Contributions sélectionnées

Contexte

Une équipe d'ingénierie spécialisée devait mener des cycles de revue approfondis sur une documentation technique dense. Il fallait un système capable de retrouver et d'analyser ces documents en profondeur tout en protégeant les informations sensibles.

Implémentation

• • Topologie multi-agent stateful avec LangGraph, séparant recherche, contextualisation métier et évaluation pour des cycles de revue itératifs.
• • Azure AI Search intégré au runtime agentique, avec des LLM via Azure AI Foundry pour l'analyse sémantique de rapports d'ingénierie.
• • Boucle automatisée de vérification des citations pour valider l'intégrité des réponses et relancer les revues incomplètes dans la chaîne d'agents.

Contexte

Les employés savaient souvent de quoi parlait un document, mais pas son titre ou son identifiant. La recherche dans de grands dépôts devenait lente et incertaine. Il fallait retrouver les documents par leur sens.

Implémentation

• • Système multi-agent composable via Model Context Protocol (MCP), avec un coordinateur Python traitant des agents spécialisés comme outils découplés et exécutables dynamiquement.
• • Instance Weaviate on-prem avec pipeline hybride combinant recherche vectorielle dense et correspondance sparse pour les identifiants de fichiers.
• • Interface conversationnelle adaptant le schéma de réponse à l'intention utilisateur, avec liens persistants vers les fichiers sources pour préserver la traçabilité.

Contexte

Des équipes recevaient régulièrement les mêmes questions internes sur des politiques déjà documentées. Il fallait une couche Q&A sécurisée pour fournir des réponses autorisées et réduire les demandes manuelles.

Implémentation

• • Réseau d'agents à contexte borné sur intégrations Atlassian MCP durcies, avec séparation des unités sensibles en runtimes indépendants.
• • Fédération en temps réel sur les API Jira et Confluence via MCP, sans vectorisation batch, pour exposer tickets et documents à jour.
• • Logique de routage stricte limitant chaque agent à des scopes prédéfinis, afin d'appliquer l'isolation des données par rôle.

Contexte

Les équipes support traitaient un volume élevé de demandes avec un triage manuel. Il fallait automatiser la classification et faire remonter les résolutions passées pertinentes à grande échelle.

Implémentation

• • Pipeline autonome de triage Jira classant les demandes par intention technique et priorisant les files via classification LLM.
• • Couche de récupération historique sur Azure AI Search, vectorisant métadonnées, commentaires et métriques de résolution pour faire correspondre nouveaux incidents et correctifs vérifiés.
• • Cadre de décision dispatchant automatiquement les demandes informationnelles et générant des synthèses contextuelles pour accélérer la revue humaine des cas complexes.

Contexte

Des documents mal classés créaient des retards et du travail aval supplémentaire. L'entreprise avait besoin d'une classification automatique à l'ingestion puis lors de contrôles ultérieurs.

Implémentation

• • Modèle de classification textuelle fine-tuné sur la taxonomie documentaire de l'organisation pour remplacer la saisie manuelle fragile.
• • Infrastructure d'inférence double mode : endpoints synchrones pour uploads utilisateurs et files batch isolées pour traiter les caches historiques.
• • Seuils de confiance routant les fichiers incertains vers une revue human-in-the-loop et publiant directement les classifications fiables.

Contexte

Les grands projets CAD génèrent des millions de collisions d'objets. Certaines sont cosmétiques, d'autres signalent de vrais risques structurels. Il fallait identifier les problèmes critiques.

Implémentation

• • Pipeline d'enrichissement spatial analysant attributs géométriques et boîtes englobantes pour inférer les types d'objets dans des assemblages CAD non structurés.
• • Extraction de features et heuristiques géométriques pour classer des composants anonymes en catégories physiques définies.
• • Schéma taxonomique ajoutant des labels sémantiques aux coordonnées de collision pour filtrer les faux positifs mineurs.

Contexte

L'entreprise devait extraire des données structurées de documents variés, des scans historiques aux fichiers numériques récents, avec une capacité standardisée réutilisable par plusieurs cas d'usage.

Implémentation

• • Passerelle centralisée d'ingestion combinant parsing PDF structurel et OCR intelligent pour normaliser texte et mise en page.
• • Logique d'extraction sensible au layout pour localiser, isoler et mapper des points de données variables malgré les différences de modèles.
• • Moteur de traitement abstrait en microservice multi-tenant, servant de socle unique pour plusieurs workflows aval.