Développeur IA

Mettre en place un environnement de développement professionnel et un premier service web en Python qui appelle un modèle hébergé sur le cloud choisi.

Un commerçant en ligne d'électroménager vend au Sénégal, en Côte d'Ivoire et en France. Son service client reçoit des centaines de messages par jour. Vous allez lui construire un assistant, sprint après sprint. Pour commencer, vous posez des fondations saines. Vous créez un dépôt Git, un environnement Python isolé et une petite API web avec deux routes : l'une vérifie que le service fonctionne, l'autre transmet une question à un modèle de langage de la plateforme que vous avez choisie et renvoie sa réponse. Les identifiants d'accès au cloud ne doivent jamais apparaître dans le code : vous utilisez des variables d'environnement ou le gestionnaire de secrets de la plateforme. Vous écrivez des tests automatiques, vous mesurez le temps de réponse et le coût d'un appel, et vous documentez l'installation pour qu'un autre développeur reprenne le projet en dix minutes.

Préparer une base documentaire, la découper intelligemment, la représenter sous forme d'embeddings et y chercher par le sens plutôt que par mots-clés.

Le service client dispose de fiches produits, de conditions de garantie par pays, d'une foire aux questions et de procédures internes, au format PDF, HTML et tableur. Rien n'est cherchable efficacement. Vous écrivez une chaîne d'ingestion qui extrait le texte, le nettoie, le découpe en passages cohérents et conserve les métadonnées utiles : pays, gamme de produits, date de mise à jour. Vous calculez les embeddings avec un modèle de la plateforme choisie et vous les stockez dans une base vectorielle, PostgreSQL avec pgvector ou le service managé de votre cloud. Vous construisez ensuite un jeu de trente questions réelles du service client avec le passage attendu pour chacune. Vous comparez deux stratégies de découpage et deux réglages de recherche, puis vous retenez la meilleure configuration chiffres à l'appui.

Savoir quand un modèle de machine learning classique suffit, l'entraîner avec des outils standards, l'évaluer honnêtement et le comparer à un LLM.

Les messages du service client arrivent dans une seule file. Le responsable voudrait les répartir automatiquement entre livraison, panne, facturation, retour et autre, et repérer les messages urgents. À partir d'un historique anonymisé de messages déjà classés, vous entraînez un modèle de classification classique avec une bibliothèque standard. Vous séparez correctement les données d'entraînement et de test, vous choisissez des métriques adaptées à des classes déséquilibrées et vous analysez la matrice de confusion. Vous comparez ensuite ce modèle à un LLM de votre plateforme utilisé sans entraînement, à partir d'une simple consigne. Vous mettez en regard la qualité, le temps de réponse et le coût pour dix mille messages par mois. Votre conclusion recommande une approche et explique dans quels cas elle cesserait d'être la bonne.

Concevoir des prompts robustes, obtenir des sorties structurées validées par un schéma, gérer les erreurs et maîtriser les coûts d'appel.

Quand un client se plaint, un conseiller recopie à la main le numéro de commande, le produit, le problème décrit et ce que le client demande. Vous automatisez cette étape. Vous concevez un prompt qui transforme un message libre, parfois mêlé de wolof, de nouchi ou d'abréviations, en un objet structuré conforme à un schéma : commande, produit, type de problème, demande, ton du message et niveau de confiance. La sortie est validée dans le code ; en cas d'échec, le programme réessaie avec une consigne corrigée, puis passe la main à un humain. Vous constituez un jeu de cinquante messages annotés, dont des cas difficiles, et vous mesurez le taux d'extraction correct champ par champ. Vous faites évoluer le prompt en gardant la trace de chaque version et de son score. Vous estimez enfin le coût mensuel selon le modèle retenu.

Assembler recherche et génération pour produire des réponses fondées sur les documents, sourcées, et qui reconnaissent quand l'information manque.

Vous réunissez les briques des sprints précédents pour construire l'assistant de réponse destiné aux conseillers du service client. Quand un conseiller pose une question, l'assistant recherche les passages pertinents dans la base indexée au sprint 2, en filtrant sur le pays du client, puis demande au modèle de rédiger une réponse fondée uniquement sur ces passages. Chaque réponse cite ses sources. Si les documents ne permettent pas de répondre, l'assistant le dit clairement au lieu d'inventer. Vous enrichissez le jeu de questions de référence et vous mesurez trois choses : la pertinence des passages retrouvés, la fidélité de la réponse aux sources et la qualité perçue par deux conseillers, joués par des apprenants de votre cohorte. Vous testez au moins une amélioration, comme la reformulation de la question ou un reclassement des passages.

Donner à un modèle la capacité d'agir au moyen d'outils bien définis, exposer ces outils de façon standard et encadrer chaque action sensible.

Les conseillers passent beaucoup de temps à consulter le statut d'une commande, à vérifier l'éligibilité d'un retour et à créer le dossier correspondant. Vous confiez ces tâches à un agent. Vous définissez trois outils : consulter une commande, vérifier les règles de retour selon le pays et créer un dossier de retour. Ils s'appuient sur une API de démonstration fournie par Formuloo. Vous exposez ces outils au moyen d'un serveur MCP, puis vous construisez l'agent avec le modèle de votre plateforme. Les actions qui modifient des données exigent une confirmation humaine. L'agent ne peut consulter que les commandes du client concerné, et chaque appel d'outil est journalisé. Vous testez des scénarios normaux, des demandes ambiguës et des tentatives de détourner l'agent, puis vous documentez son comportement.

Rendre l'assistant prêt pour la production : évaluation automatisée, protections contre les attaques propres aux LLM, déploiement, surveillance et coûts.

Le commerçant est prêt à ouvrir l'assistant à ses conseillers, à condition d'avoir des garanties. Vous préparez la mise en production sur la plateforme que vous avez choisie. Vous automatisez l'évaluation : à chaque modification, une série de tests rejoue les jeux de référence des sprints précédents et bloque la livraison si la qualité baisse. Vous ajoutez des protections contre l'injection de prompt, les fuites de données personnelles et les sujets hors périmètre, en vous appuyant sur les filtres de votre plateforme et sur vos propres contrôles. Vous empaquetez l'application dans un conteneur, vous la déployez avec un pipeline et vous mettez en place la surveillance : erreurs, temps de réponse, coût par conversation et taux de réponses refusées. Vous rédigez enfin la fiche d'exploitation qui explique quoi faire en cas d'incident.

Concevoir et livrer une application d'IA pour un besoin client réel issu d'une mission Formuloo, de l'analyse du besoin au déploiement, puis passer la soutenance finale.

Pour ce dernier sprint, Formuloo vous confie **un besoin client réel issu d'une de ses missions** : par exemple un assistant documentaire, un outil d'extraction ou un agent métier. Vous commencez par un atelier de cadrage avec le client et votre mentor : problème à résoudre, utilisateurs, données disponibles, contraintes de confidentialité et critères de réussite mesurables. Vous proposez une architecture adaptée sur la plateforme que vous avez choisie, que votre mentor valide avant que vous écriviez la première ligne de code. Vous livrez une application fonctionnelle, évaluée sur des cas fournis par le client et déployée dans l'environnement convenu. Les données du client ne sortent jamais de cet environnement. Vous faites la démonstration au client, puis vous passez la soutenance finale devant un jury Formuloo, qui revient aussi sur votre portfolio.