Ce que j'ai livré.
Les systèmes IA que j'ai conçus et mis en production : infrastructure MCP, assistant d'architecture, détection d'anomalies, 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 des skills qui encodent le bon usage de la plateforme de logs.
La stack
MCP · Skills · fastmcp · Zero Trust · SSO
- Agents
- Validation humaine
Faire écrire le dossier d'architecture par un agent qui ne valide rien.
Le changement
Des fiches d'architecture recopiées à la main d'un livrable à l'autre
Une fiche que personne n'a confirmée reste hors du rapport et hors du lien client
Ce que j'ai construit
Un assistant d'architecture connecté au dossier du projet : il écrit des fiches typées dans douze registres, mais il n'a aucun outil pour les valider. La validation humaine n'est pas une consigne à respecter, c'est une capacité absente.
La stack
LangGraph · FastAPI · PostgreSQL · React · TOGAF
- Détection d'anomalies
- Coûts
Chiffrer la capacité payée pour rien, sans qu'un modèle invente un nombre.
Le changement
Des seuils de capacité surveillés à la main, et rien de chiffré
L'écart de capacité est chiffré au mois et à l'année, avec le calcul qui le fonde
Ce que j'ai construit
Une détection entièrement déterministe : cohortes de pairs, statistiques robustes, un contrôle qui empêche le volume de tests de créer des alertes. Le modèle ne fait que reformuler : s'il ajoute un nombre, c'est le texte calculé qui est publié.
La stack
Python · FastAPI · scikit-learn · Next.js · LLM
- 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 · Elasticsearch · 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 sur demande.
Contact
Prêt à passer de la démo à la production ?
Réponse sous 24 h · premier échange gratuit et sans engagement.