Projets IA

Application web de classification automatique des transactions bancaires en catégories d'activité, par une IA générative fine-tunée. L'utilisateur saisit un libellé et reçoit une catégorie prédite avec son niveau de confiance, qu'il peut valider ou corriger, ce qui alimente l'apprentissage continu du modèle.

Interrogez en langage naturel une base de données de relevés météo journaliers de villes françaises. Un agent ReAct construit avec LangChain et LangGraph écrit la requête SQL, l'exécute sur DuckDB, corrige lui-même ses erreurs quand le moteur en signale une, puis répond en français. Le modèle est Grok (xAI). La météo n'est ici qu'un support de démonstration : le même principe s'applique à n'importe quelle base métier.

À partir d'un brief de quelques lignes, quatre agents construits avec Microsoft Agent Framework produisent un article technique en français, sourcé et vérifié. Le premier établit le plan, le deuxième recherche et sélectionne les sources sur le web, le troisième rédige selon un cahier de style strict et le dernier relit l'article d'un œil critique, en confrontant chaque affirmation aux sources. Les agents s'appuient sur les modèles Claude d'Anthropic.

Chatbot interne permettant d'interroger en langage naturel une documentation métier spécifique, via une architecture RAG simple. Le projet démontre par ailleurs qu'un modèle de langage léger enrichi documentairement surpasse un modèle plus puissant privé de contexte.

Développement from scratch d'un algorithme génétique en Python pour calibrer les modèles de notation du risque de crédit sur les portefeuilles Low Default, où la rareté des défauts observés met en échec les méthodes statistiques classiques de modélisation (régression logistique, arbre de décision).

Modéliser une approche Machine Learning pour challenger les modèles de notation hybrides du risque de crédit sur les portefeuilles Low Default : traitement du déséquilibre extrême des données et explicabilité des modèles « boîte noire ».