Les systèmes IA que j'ai construits

Un pipeline qui analyse le portefeuille de marques de n'importe quelle entreprise et fait ressortir les marques non protégées, expirées, les échéances de renouvellement et les trous géographiques, transformant la donnée brute en brief de vente prêt à envoyer en environ sept minutes par entreprise.

Sur un groupe du BTP : 1 110 marques sur 66 juridictions analysées, 9 marques non protégées détectées. Conçu pour tourner sur 1 000+ entreprises par an.

Un seul assistant qui bascule entre pédagogie (questions marques sur 91 juridictions, réponses contraintes à une base documentaire sourcée, sans hallucination) et vente (qualification avec du tact codé en dur).

Un cas par session, segmentation honnête du portefeuille, jusqu'à dire aux petits portefeuilles qu'ils n'ont peut-être pas besoin du produit.

Un système qui régénère la base de connaissance juridique de 91 juridictions chaque trimestre, sans surveillance, en 18 à 24 heures environ, puis se notifie tout seul une fois terminé.

Environ 314 $ par trimestre pour maintenir à jour une base de 91 juridictions. Une petite équipe qui va aussi vite qu'une grande, prise au pied de la lettre.

Un système de recherche sur l'EU AI Act et le RGPD qui renvoie le texte source exact avec provenance complète, sans paraphrase IA, pensé pour ceux qui doivent citer le texte réel.

Recherche hybride (sémantique + lexical, fusionnés par RRF) atteignant un recall@5 de 1.000 sur l'AI Act. J'ai attrapé un bug d'infrastructure où l'index tournait à ~4% de recall, corrigé à 100%. Plus de 18 décisions d'architecture documentées, des résultats d'évaluation honnêtes, échecs compris.

Une plateforme web qui suit et valorise les cartes de football européennes, 250 000+ cartes chez Topps et Panini, offrant aux collectionneurs une vue marché financier de leur collection. Elle agrège annonces et ventes, identifie chaque carte automatiquement via une couche de routage LLM (Haiku pour le volume, Sonnet pour les cas ambigus), et fait ressortir un pricing propre sur un marché fragmenté sans référence fiable.

Je suis product owner et architecte : je dirige toute la construction via des agents IA, je suis en charge de chaque décision structurante (positionnement, design, sources de données, auth, monétisation), et j'opère le run moi-même. J'ai aussi construit et j'opère le pipeline de données en amont qui l'alimente.

Un serveur MCP qui confronte un nom candidat à 70 000+ médicaments sur 8 marchés UE et US, aux radicaux DCI réservés de l'OMS, et aux noms génériques, et renvoie un verdict classé par risque en quelques secondes.

Trois couches d'alerte indépendantes (marque, radical, DCI) fusionnées en une réponse, avec un score transparent et auditable. Construit sur des données ouvertes officielles (EMA, FDA, NHS, ANSM, AEMPS…), tourne entièrement dans Claude en langage naturel.