Startup deeptech

Auditer avant de réécrire

Mon premier livrable a été un audit du produit existant, qui commençait par ce qui fonctionnait déjà. Les fondateurs lisaient d'abord ce qu'on gardait, puis ce qu'on changeait.

Réécrire sans perdre un comportement métier

Le produit (extraction documentaire par OCR et LLM, recherche vectorielle, API) devait passer de Python et Next.js à TypeScript. Avant de réécrire, j'ai figé par des tests ce que l'ancien système faisait.

• Tests de parité à trois niveaux : contrat HTTP, parcours navigateur, cas clients aux résultats attendus figés.
• Ces tests ont été validés d'abord sur l'ancien système, puis sur le nouveau : une différence de comportement fait échouer un test avant la démo client.

Tester sur les données réelles, sans risquer la production

J'ai validé le produit sur les factures réelles du client, en local, sans exposer la production, pour quelques centimes par document.

Durcissement du pipeline d'extraction

J'ai porté le pipeline existant, puis corrigé les points où il faisait perdre de l'argent ou du temps au client.

• Après un crash, un traitement interactif n'est jamais relancé tout seul : le client n'est pas facturé deux fois.
• Traitement par lots : file de jobs et états persistés pour qu'un lot reprenne après incident sans refacturer un document déjà traité, et alerte quand la dépense dérape.
• Erreurs du fournisseur de modèles classées avant tout retry. Une erreur de configuration on-premise se voit à la première requête, au lieu de minutes de retries silencieux.
• Documents courts lus en vision, documents longs par OCR, base vectorielle et recherche agentique ; chaque champ sort avec ses pages sources pour que l'opérateur le vérifie.
• Chemins IA testés en CI par enregistrement et rejeu des réponses, pour des tests reproductibles et sans appel payant. Une dépense payante n'est engagée que sur devis écrit.

Configuration par le métier, sans écrire de prompt

L'utilisateur décrit le document attendu en français, des agents génèrent le schéma et les règles, puis guident la correction champ par champ ; chaque version est conservée.

Garde-fous et règles d'architecture vérifiés en CI

Garde-fous d'agents et décisions d'architecture tenus par des contrôles en CI, pour qu'aucune règle ne dépende de la relecture seule. Chaque décision d'architecture nomme le contrôle automatique qui la fait respecter, et un check rouge bloque le merge.

Installable chez des clients qui refusent le cloud

• Livrable on-premise en un seul Docker Compose, option Kubernetes, installation hors ligne démontrée.
• Dimensionnement d'un serveur GPU rédigé pour un appel d'offres public, chaque chiffre étiqueté mesuré, dérivé ou hypothèse.

Architecture et socle d'une plateforme on-premise d'automatisation par agents IA

Des agents qui automatisent des tâches web et bureau. L'IA construit et répare les automatisations, qui s'exécutent ensuite sans appel au modèle, sous journal d'audit inaltérable et accord d'un humain sur les actions à risque. Une action destructive en échec attend une validation humaine au lieu d'être rejouée automatiquement.

Nom du client et détail de l'architecture couverts par un accord de confidentialité.

Stack technique