Ce que j'ai livré.
Les systèmes IA que j'ai conçus et mis en production : infrastructure MCP, détection d'anomalies agentique, RAG, observabilité. Le problème, ce que j'ai construit, ce que ça change.
Études de cas
Le problème, puis le résultat.
Chaque réalisation part d'un besoin concret. Voici ce que j'ai construit, et ce que ça a changé.
- Infrastructure IA
- Sécurité
Donner aux agents IA l'accès aux outils internes, sans ouvrir de brèche.
Le changement
Chaque LLM rebranché à la main sur chaque outil interne
Les équipes branchent une IA sur un outil interne sans ouvrir d'accès supplémentaire
Ce que j'ai construit
Une infrastructure MCP qui découple les LLM de l'exécution des outils du système d'information : un proxy Zero Trust / SSO devant chaque outil, des secrets jamais exposés, et l'observabilité de chaque appel LLM.
La stack
MCP · fastmcp · Node.js · Zero Trust · SSO
- Détection d'anomalies
- Agents
Détecter les anomalies de capacité, et les faire expliquer par des agents.
Le changement
Des seuils de capacité surveillés à la main, des alertes sans contexte
Les alertes arrivent expliquées et classées par priorité, prêtes à traiter
Ce que j'ai construit
Un système de détection à trois moteurs (statistique, machine learning, hybride) sur des flottes multi-OS, et des agents LLM orchestrés avec LangGraph qui expliquent et priorisent les anomalies. Dashboards interactifs et rapports PDF automatiques.
La stack
LangGraph · Python · FastAPI · Next.js · ML
- RAG
- Base de connaissances
Une base de connaissances technique qui répond, toujours à jour avec le code.
Le changement
Une doc qui décroche du code, des réponses à chercher à la main
Les équipes obtiennent une réponse sourcée au lieu de fouiller une doc périmée
Ce que j'ai construit
Une chaîne RAG de bout en bout qui alimente l'assistant IA interne, et un service de synchronisation idempotente entre les dépôts GitHub techniques et la base de connaissances.
La stack
RAG · Kibana · Python · GitHub
- Observabilité
- LLM
Repérer l'anomalie au moment où le log est ingéré.
Le changement
Des anomalies noyées dans le volume, repérées après coup
L'anomalie est signalée au moment où elle arrive, pas après l'incident
Ce que j'ai construit
Un filtre Logstash natif, en Ruby, qui appelle un LLM pendant l'ingestion des logs et renvoie les anomalies en JSON structuré, prêtes à exploiter.
La stack
Logstash · Ruby · LLM · Elastic Stack
Votre projet ici
La prochaine réalisation, ce sera peut-être la vôtre. Dites-moi ce que vous voulez construire.
Travaux réalisés en mission. Contexte complet en appel.
Contact
Prêt à passer de la démo à la production ?
Réponse sous 24 h · premier échange gratuit et sans engagement.