Découvrez comment nous avons aidé des startups et entreprises à concrétiser leurs projets digitaux.
Transformation digitale des maraudes en France : découvrez comment Selego a développé MANO, une application sécurisée pour optimiser la coordination des équipes terrain et la gestion des données de santé, désormais financée par six ARS et déployée nationalement
Selego transforme le projet Ithákê en success story avec le développement agile d'un MVP performant pour la transition écologique des territoires. De la reprise technique à l'expansion nationale, découvrez comment une approche structurée a permis de relancer ce projet DeepTech en seulement 6 semaines.
La révolution de l'analyse juridique par l'IA permet aux professionnels du droit d'optimiser leur temps et d'améliorer la qualité de leurs analyses.h3]:text-lg [>h3]:font-bold [>h3>span]:font-extrabold [>h3]:mb-2 [>p]:text-gray-700 [>p]:leading-relaxed">10M+de sources juridiques analysablesh3]:text-lg [>h3]:font-bold [>h3>span]:font-extrabold [>h3]:mb-2 [>p]:text-gray-700 [>p]:leading-relaxed">300pages analysées par documenth3]:text-lg [>h3]:font-bold [>h3>span]:font-extrabold [>h3]:mb-2 [>p]:text-gray-700 [>p]:leading-relaxed">100hébergement sécurisé en FranceÀ PROPOS DE LA SOLUTIONBriefster est une startup qui transforme l'analyse juridique grâce à l'intelligence artificielle. La plateforme propose une suite d'outils intelligents pour analyser les documents légaux, préparer des argumentaires et sécuriser les prises de décision. En combinant l'IA générative avec une vaste base de données juridiques, Briefster offre aux professionnels du droit un assistant numérique performant et fiable.DÉFIL'analyse de documents juridiques présente des défis particuliers que Briefster s'est attaché à résoudre. Le traitement de documents volumineux, pouvant atteindre 300 pages, nécessite une compréhension approfondie du vocabulaire juridique spécialisé. La diversité des sources à consulter et la nécessité d'une analyse exhaustive rendent le travail manuel particulièrement chronophage.Le défi consistait à développer une solution capable de :Traiter efficacement des documents juridiques complexesComprendre le langage juridique spécialiséFournir des analyses pertinentes en temps réelGarantir la confidentialité absolue des donnéesSOLUTIONAssistant juridique intelligent Notre chatbot, propulsé par Claude AI Sonnet Legal, comprend et répond aux questions juridiques complexes en temps réel. Il s'appuie sur une base de connaissance de plus de 10 millions de sources juridiques pour fournir des conseils précis et contextualisés.Analyse documentaire approfondie Le système analyse automatiquement emails, documents et notes pour en extraire les éléments essentiels. Cette technologie permet de traiter efficacement des documents juridiques de plusieurs centaines de pages, en identifiant les points clés et les enjeux cruciaux.Édition intelligente en temps réel La plateforme permet de modifier les documents directement, avec des suggestions basées sur les meilleures pratiques juridiques et la jurisprudence pertinente.MÉTHODOLOGIELe développement de Briefster a été mené sur deux mois par une équipe pluridisciplinaire :Un ingénieur IA spécialiséUn développeur full-stackUn expert juridiqueCette collaboration étroite entre expertise technique et juridique a permis de créer une solution parfaitement adaptée aux besoins du secteur. L'utilisation d'une IA générative de pointe garantit une amélioration continue des performances du système.SÉCURITÉ ET CONFORMITÉLa sécurité des données est au cœur des préoccupations de Briefster. La plateforme est entièrement hébergée en France, sur les serveurs AWS Paris, avec une certification ISO 27001. Cette infrastructure garantit :Une confidentialité totale des donnéesUne conformité aux normes les plus strictesUne disponibilité maximale du servicePERSPECTIVESBriefster continue d'innover pour enrichir sa plateforme :Développement de nouvelles fonctionnalités d'analyseExpansion de la base de données juridiquesAmélioration continue des capacités d'IALa solution représente une avancée significative dans la transformation numérique du secteur juridique, offrant aux professionnels un outil puissant pour optimiser leur travail tout en maintenant les plus hauts standards de qualité et de confidentialité.
La révolution du recouvrement de créances prend une nouvelle dimension avec amikable.ai. En intégrant l'API ElevenLabs, la plateforme redéfinit les standards du secteur, créant un pont entre technologie de pointe et approche humaine dans chaque interaction.À PROPOS DU CLIENTamikable.ai émerge comme le pionnier d'une nouvelle ère dans le recouvrement de créances. La plateforme incarne une vision moderne où la technologie se met au service d'une approche plus humaine et plus efficace. Au cœur de cette transformation, une conviction forte : le recouvrement peut et doit être une expérience constructive pour toutes les parties prenantes.DÉFILa personnalisation des interactions dans le recouvrement représentait un défi complexe nécessitant une approche innovante. Notre équipe devait répondre à plusieurs enjeux critiques :Points clés du défi :Gestion de 9 800+ dossiers actifs simultanémentNécessité d'une disponibilité 24/7Respect des contraintes réglementaires strictesLa complexité était particulièrement marquée dans trois domaines :L'adaptation du ton et du message selon chaque situationLa gestion des conversations émotionnellement chargéesLe maintien d'une approche personnalisée à grande échelleSOLUTIONPour répondre à ces défis, nous avons développé une plateforme vocale intelligente qui révolutionne les interactions avec les débiteurs. Notre approche s'articule autour de trois piliers technologiques majeurs.Intelligence Vocale AvancéeLa solution s'appuie sur l'API ElevenLabs pour offrir une expérience conversationnelle naturelle et engageante. Le système intègre :Une génération vocale en temps réel adaptativeUne analyse contextuelle des conversationsUn ajustement dynamique du ton et du rythmeInfrastructure Cloud RobusteL'architecture technique a été conçue pour allier performance et sécurité :Déploiement cloud scalableSécurité renforcée des donnéesConformité RGPD intégréeMÉTHODOLOGIELe déploiement de cette solution innovante s'est appuyé sur une équipe pluridisciplinaire et une approche structurée.Notre équipe clé :Expert en IACTODéveloppeurs full-stackLe processus de déploiement s'est déroulé en plusieurs phases clés, chacune contribuant au succès global du projet :Phase d'analyse : Étude approfondie des patterns de communicationConfiguration : Mise en place des voix et scripts personnalisésTests : Validation extensive avec des utilisateurs réelsDéploiement : Mise en production progressiveRÉSULTATSLa transformation a produit des améliorations remarquables. Au niveau opérationnel, nous observons une nette progression du recouvrement et une forte diminution des délais de traitement, accompagnées d'une hausse marquée de la satisfaction des clients.Sur le plan financier, les bénéfices se sont manifestés rapidement avec un retour sur investissement précoce. Les coûts de fonctionnement ont été revus à la baisse, permettant de dégager des économies importantes grâce à une meilleure organisation.PERSPECTIVESLe succès de cette première phase ouvre la voie à des évolutions prometteuses. Nos prochaines innovations s'articulent autour de deux axes majeurs :Développements techniques prévus :Extension multilingue des capacités vocalesAnalyse prédictive avancéeAssistant vocal proactifVision stratégique :Expansion internationaleNouveaux secteurs d'applicationIntégrations partenairesCette transformation démontre qu'il est possible de révolutionner le secteur du recouvrement en associant innovation technologique et approche humaine. amikable.ai ouvre la voie à une nouvelle ère où efficacité et empathie vont de pair.
Nous avons déployé , chez un grand groupe du CAC 40, un processus de vérification de diplôme en utilisant du Llama 2 on premise et en seulement quelques semaines sous les contrainte de plusieurs pays / langue et des données deCette automatisation a permis de réduire de 4 jours à 2 heures le temps de contrôle réglementaires.CHIFFRES CLÉS+ de 1500 contrats traités chaque trimestre98% de précision dans la vérification2 à 3 heures de temps de travail humain au lieu de 4 jours avant l'iaÀ PROPOS DU CLIENTActeur majeur du CAC 40, Eméis (Orpea) est un leader mondial du soin et de l'accompagnement médical avec plus de 78 000 professionnels de santé. Depuis plus de 30 ans, son expertise internationale couvre toute la chaîne des soins, de la médecine spécialisée à l'accompagnement personnaliséDÉFILa vérification des diplômes, des clauses contractuelles et des visas représentait un défi majeur pour les équipes RH d'Eméis. Le processus manuel nécessitait entre trois et quatre jours pour traiter les dossiers de 1 500 collaborateurs, mobilisant des ressources considérables et ralentissant l'efficacité administrative.La complexité était amplifiée par la nature multilingue des documents, rédigés en français, anglais et allemand. La qualité variable des documents, qu'ils soient scannés ou photographiés, ajoutait une couche de difficulté supplémentaire au traitement. Face à ces enjeux, la nécessité d'une solution automatisée, capable de garantir la conformité RGPD et la sécurité des données sensibles, est devenue évidente.SOLUTIONNotre approche s'est articulée autour d'une solution intégrée, déployée directement sur l'infrastructure d'Eméis. La plateforme combine une technologie d'OCR avancée pour la numérisation des documents avec l'IA générative Mistral-Nemo pour l'analyse et la validation des informations.Le système traite intelligemment les documents dans différentes langues, s'adapte aux variations de qualité des numérisations, et extrait les informations pertinentes avec précision. L'ensemble de la solution est déployée on-premise, garantissant une sécurité maximale et une conformité totale avec les exigences du RGPD.OCR avancé multilingueTraitement des documents en plusieurs languesAdaptation à différentes qualités de scanExtraction fiable des informations clésIA générative avec Mistral-NemoAnalyse intelligente du contenuVérification automatique des informationsValidation selon des règles prédéfiniesDéploiement sécuriséInstallation sur les serveurs internes d'EméisConformité RGPD garantieProtection maximale des données sensiblesMÉTHODOLOGIELe projet a été mené sur quatre mois par une équipe resserrée composée d'un ingénieur IA et d'un chef de produit. Cette configuration agile a permis des itérations rapides et une adaptation continue aux retours d'expérience. Le développement s'est fait en étroite collaboration avec les équipes d'Eméis, permettant d'affiner la solution en conditions réelles.La méthodologie adoptée privilégie les cycles courts de développement-test-amélioration, avec une attention particulière portée aux spécificités du secteur médical et aux exigences de sécurité des données.Phases clésAnalyse des besoins et des contraintesDéveloppement de la plateformeIntégration du modèle IATests sur données réellesDéploiement on-premiseOptimisation continueRÉSULTATSL'impact de la solution sur les opérations d'Eméis est significatif. Le temps de traitement pour 1 500 dossiers est passé de quatre jours à seulement deux à trois heures d'intervention humaine, tout en maintenant un taux de précision de 98%. Les équipes RH peuvent désormais se concentrer sur les cas nécessitant une expertise particulière, pendant que le système gère automatiquement la majorité des vérifications.La plateforme traite efficacement les documents dans différentes langues (Néerlandais, Francais et Anglais), s'adapte aux variations de qualité, et maintient un haut niveau de sécurité en opérant exclusivement sur l'infrastructure interne d'Eméis.Gain de temps spectaculaireRéduction du temps de traitement de 4 jours à 2-3 heures1500 dossiers traités chaque trimestreIntervention humaine minimiséePerformance technique98% de précision dans la vérificationTraitement multilingue efficace (Néerlandais, Francais et Anglais)Adaptation à différentes qualités de documentsConformité et sécuritéRespect total du RGPDDonnées sécurisées sur les serveurs internesContrôle complet sur le traitementPERSPECTIVESLe succès de cette première phase ouvre la voie à de nouvelles évolutions. La plateforme continue de s'enrichir grâce aux retours d'expérience, permettant d'optimiser les performances et d'étendre potentiellement son utilisation à d'autres types de documents et processus RH. Cette transformation numérique illustre parfaitement comment l'IA peut résoudre des défis concrets tout en respectant les contraintes spécifiques du secteur médical.
Nous avons, pour un grand groupe de BTP, déployé un processus de gestion des réclamations utilisant GPT-4 Vision et llama3.3 70b on-premise, permettant de réduire le temps de traitement des réclamations de plusieurs semaines à quelques heures tout en respectant les contraintes réglementaires et la confidentialité des données.À PROPOS DU CLIENTLe groupe de construction est un acteur majeur des infrastructures et des grands projets en Europe. Avec plus de 10 000 employés et des projets dans plus de 20 pays, l'entreprise gère des chantiers complexes nécessitant une coordination précise et une gestion rigoureuse des incidents et des réclamations.DÉFILa gestion des réclamations représentait un défi majeur pour les équipes opérationnelles et juridiques. Le processus manuel nécessitait en moyenne 3 à 4 semaines pour :Collecter les preuves photographiquesAnalyser les documents contractuelsRédiger les réclamationsCoordonner les différentes parties prenantesLa complexité était amplifiée par :La diversité des types de réclamationsLes documents multilinguesLes contraintes réglementairesLa nécessité de traiter rapidement les situations urgentesSOLUTIONCAPTURE ET CERTIFICATION :Une application mobile permet la capture géolocalisée des incidents sur chantier avec authentification forte des utilisateurs. Les données sont automatiquement horodatées et stockées de manière sécurisée, garantissant leur valeur probante.ANALYSE IA AVANCÉE :Le système combine deux modèles d'IA :GPT-4 Vision analyse les photos de chantier, identifie les défauts et évalue leur gravitéLlama3.3 70b traite les documents contractuels et techniques en plusieurs langues, extrait les clauses pertinentes et les met en relation avec les incidentsAUTOMATISATION DOCUMENTAIRE :La plateforme génère automatiquement les réclamations en s'adaptant au style rédactionnel historique de l'entreprise. Elle intègre les preuves photographiques, les références contractuelles et maintient la cohérence dans tous les échanges. L'interface multilingue permet une collaboration fluide entre équipes internationales.L'intégration avec les systèmes existants (ERP, GED) assure une traçabilité complète et un suivi en temps réel des réclamations, de leur création à leur résolution.MÉTHODOLOGIELe projet a été réalisé en 6 mois par une équipe composée de :1 Ingénieur IA1 Lead Dev fullstack1 product ownerPhases clésAnalyse des besoins et des processus existantsDéveloppement du prototypeTests sur un périmètre restreintDéploiement progressifFormation des utilisateursOptimisation continueRÉSULTATSL'impact de la solution sur les opérations est significatif :Performance opérationnelleRéduction du temps de traitement : de 3-4 semaines à 24-48 heuresTaux d'automatisation : 80% des réclamations standardsVolume traité : 500 réclamations par moisQualité et précision95% de précision dans l'analyse des documents90% de satisfaction utilisateurRéduction de 60% des erreurs de traitementPERSPECTIVESLe projet ouvre la voie à l'intelligence prédictive, l'intégration IoT et l'expansion vers la gestion des contentieux et la maintenance prédictive, démontrant le potentiel transformateur de l'IA dans le secteur
Selego développe un outil YouTube sur mesure pour Animaj, startup valorisée à 400M€, avec génération automatique de vignettes et streaming en direct. Un projet technique complexe transformé en solution scalable qui booste l'efficacité des équipes et la croissance d'Animaj depuis 2 ans.
Selego a piloté la migration de Climby de Flutter vers React Native en 3 semaines, transformant l'app en une plateforme scalable sans interruption de service
Selego révolutionne le programme Erasmus for Young Entrepreneurs avec une plateforme innovante de matching, connectant plus de 1000 entrepreneurs européens via un MVP performant et conforme au RGPD, pour des échanges professionnels transfrontaliers jusqu'en 2027.
Plateforme numérique donnant accès à plus de 3,2 millions d'œuvres du patrimoine culturel français. Développée en 12 mois par Selego et BetaGouv, POP offre une interface intuitive pour le grand public et les professionnels, avec 25 000 utilisateurs mensuels.
Découvrez comment Selego a transformé la plateforme fintech de Finotor en multipliant ses performances par 3, en assurant une disponibilité de 99,9% et en renforçant la sécurité, permettant une croissance durable de l'entreprise et une meilleure expérience utilisateur.
À PROPOS DU CLIENTFinotor est une startup fintech fondée en 2008. La société propose une plateforme de gestion financière qui intègre l'intelligence artificielle pour automatiser et optimiser les processus financiers des entreprises.DÉFILe projet présentait deux défis principaux : la préparation des données et l'optimisation des modèles d'IA. Les données financières provenaient de sources multiples avec des formats non standardisés, des montants et dates incohérents, et des historiques incomplets. Le système devait garantir un traitement en temps réel précis tout en respectant les normes du secteur financier.TYPE DE DONNÉESNotre système traite des transactions financières brutes, composées de différents éléments qu'il faut analyser et classifier.Données d'entrée Les transactions se présentent sous forme de lignes bancaires contenant :Un libellé bancaire non standardiséUn montantUne date d'opérationDes informations bancaires (BIC, IBAN, etc.)Éléments à prédire Pour chaque transaction, nous devons identifier quatre informations clés :Type de transaction Il s'agit de classifier la nature de l'opération : virement, prélèvement, paiement par carte. Cette information est généralement présente dans le libellé mais sous différentes formes selon les banques.Catégorie Nous devons déterminer l'objectif de la transaction : salaire, loyer, fourniture, etc. Cette catégorisation doit se faire en analysant le contexte complet de la transaction, car le libellé seul n'est pas toujours suffisant.ID Client et Fournisseur Pour chaque transaction, nous devons identifier :L'entité cliente qui effectue ou reçoit le paiementL'entité fournisseur concernée Ces identifications nécessitent de faire correspondre les libellés bancaires, souvent peu standardisés, avec notre référentiel d'entités.Notre défi principal réside dans la non-standardisation des données bancaires et la nécessité de comprendre le contexte de chaque transaction pour une classification précise.SOLUTIONNotre solution s'appuie sur trois fonctionnalités principales :Le rapprochement bancaire automatique associe intelligemment les transactions et détecte les anomalies en temps réel, réduisant significativement les erreurs de traitement.L'analyse prédictive génère des recommandations basées sur l'historique des données et permet un suivi des KPIs via des tableaux de bord.La gestion de trésorerie optimise les flux financiers avec des alertes en temps réel et des suggestions automatisées.PROCESSUSNotre développement s'est structuré en trois étapes :Préparation des donnéesDéveloppement d'un pipeline de nettoyage pour standardiser formats et donnéesGestion des valeurs manquantes et unification des catégorisationsValidation rigoureuse pour garantir l'intégrité des données financièresEntraînement des modèlesTests comparatifs entre LLM, XGBoost et réseau de neuronesSélection finale des réseaux de neurones pour leur meilleure performanceOptimisation continue des hyperparamètresPhase de testValidation croisée sur des jeux de données représentatifsTests en conditions réelles avec des métriques financières spécifiquesAjustements itératifs basés sur les retours d'expérienceMÉTHODOLOGIENotre équipe combine diverses expertises essentielles :Ingénieurs IA spécialisés en Machine LearningProduct OwnerLead developperLe développement s'est déroulé en trois phases :Une phase d'exploration a permis de comparer les différentes approches d'IA et de valider la supériorité des réseaux de neurones pour notre cas d'usage.Le développement itératif a permis d'affiner progressivement les performances du système en conditions réelles.Le déploiement s'est fait graduellement pour assurer une bonne adoption par les utilisateurs.COMPARAISON DES MODÈLESNotre analyse comparative a évalué trois approches : réseaux de neurones, XGBoost et LLM. Les réseaux de neurones se sont clairement démarqués avec des performances supérieures sur tous les aspects clés :Pour la classification du type de transaction, les réseaux de neurones atteignent 98.3% de précision avec seulement 0.22% de cas incertains, surpassant le LLM (92%) et XGBoost (96%).Sur l'identification des catégories, plus complexe, nos réseaux de neurones maintiennent 84.44% de précision, contre 80% pour XGBoost et seulement 59% pour le LLM. En excluant les cas incertains (seuil de confiance >65%), la précision monte à 92.9%.L'identification des IDs clients et fournisseurs représentait le plus grand défi. Nos réseaux de neurones atteignent respectivement 76.51% et 77.30% de précision, largement devant XGBoost (65% et 48%) et le LLM (6.67% et 31.65%).Un point crucial : nos réseaux de neurones génèrent significativement moins de cas incertains que XGBoost, tout en maintenant une précision supérieure. Cette combinaison de haute précision et de faible incertitude est idéale pour une application financière nécessitant fiabilité et exhaustivité.Cette analyse approfondie confirme la supériorité des réseaux de neurones pour notre cas d'usage, offrant le meilleur compromis entre précision, certitude et couverture des différents aspects de la classification.RÉSULTATSLe système atteint 98% de précision dans ses prédictions et traite plus de 90 000 transactions. L'automatisation couvre 85% des processus financiers avec une réduction des erreurs de 75%.PERSPECTIVESNous travaillons actuellement sur l'intégration d'un chatbot pour le support client et le développement de nouvelles fonctionnalités d'automatisation pour enrichir la plateforme.
Selego a intégré l'IA générative dans le produit et le parcours client de JobMaker, augmentant significativement l'engagement utilisateur. Un cas client qui démontre l'impact concret de l'IA sur la performance produit
Dans le secteur de la santé, où 59% des établissements peinent à recruter, Captimed a fait appel à nous en tant CTO fractionnel pour développer une application mobile pour le bien-être des soignants.De l'idée à la réalisation avec le No-codeAvec Thomas SOCHACKI, CEO de Captimed, nous avons :Développé un MVP mobile en no code en 2 semainesTesté l'application auprès de 25 soignants dans 2 établissementsAidé à obtenir un financement grâce à l'application fonctionnelle"Selego a transformé notre idée en application concrète en un mois. Les premiers utilisateurs et investisseurs ont été convaincus." - Thomas SOCHACKI, CEO CaptimedLes fonctionnalités développéesL'equipe a construit les fonctions principales :Tableau de bord avec 8 indicateurs de QVTModule de suivi basé sur les données médicalesSystème de signalement répondant en 48hPlanning réduisant de 25% les tâches administrativesRésultats concretsCette approche a produit des résultats mesurables :Application livrée en 4 semainesCode solide et maintenableTests utilisateurs réussisFinancement obtenuProchaines étapesLe financement obtenu va permettre d'accélérer le développement, avec notre accompagnement continu en CTO fractionnel pour :Développer une version native de l'application sous notre supervision techniqueConstruire une architecture évolutive en nous appuyant sur notre expertiseRecruter et former une équipe technique dédiée que nous accompagneronsÉtendre les fonctionnalités en gardant notre rôle de conseil stratégiquePréparer le déploiement à grande échelle tout en assurant le transfert de compétencesCe projet montre qu'un CTO à temps partagé peut aider une startup à valider rapidement son concept avec un budget maîtrisé, avant d'investir dans une solution technique professionnelle.
Application innovante de suivi de santé mentale développée par Selego, Jardin Mental permet aux utilisateurs et médecins de suivre quotidiennement les symptômes via des questionnaires personnalisés. Plus de 100 000 utilisateurs font confiance à cette solution sécurisée qui affiche 4.4/5 sur Google Play.
Nous avons déployé pour Be-Cause.shop un système de recommandation innovant combinant RAG et LLM, permettant d'offrir des suggestions personnalisées. Cette solution cloud optimisée a permis d'améliorer significativement l'expérience utilisateur tout en maintenant des coûts opérationnels maîtrisés.À PROPOS DU CLIENTBe-Cause.shop s'impose comme un acteur pionnier de la mode éthique et responsable. La plateforme rassemble une communauté engagée de marques durables et de consommateurs conscients, créant un écosystème unique dans le secteur de la mode en ligne.DÉFIBe-Cause.shop fait face à trois défis majeurs dans sa mission d'offrir une expérience d'achat personnalisée :Connexion aux bases de donnéesL'intégration et la synchronisation avec de multiples sources de données produits nécessitent une architecture robuste capable de gérer différents formats et structures de données tout en maintenant leur cohérence.Matching IA pertinentLe développement d'algorithmes de matching d'IA capables d'analyser efficacement les demandes utilisateurs et de proposer des recommandations vraiment pertinentes constitue un défi technique majeur. L'IA doit comprendre les préférences réelles des utilisateurs et s'adapter à l'évolution de leurs besoins.Rapidité de traitementLa performance est cruciale : les utilisateurs doivent obtenir instantanément des résultats correspondant à leurs attentes. Cela implique une optimisation poussée des temps de réponse, depuis l'analyse des préférences jusqu'à l'affichage des produits recommandés.SOLUTIONNotre approche s'articule autour de trois composants principaux :Système de Recommandation RAGCalcul de vecteurs/embeddings pour chaque produitUtilisation de MongoAtlas pour le stockage des embeddingsIndexation intelligente des produits pour un temps de réponse ultra-rapideRecherche sémantique avancéeValidation LLMIntégration de GPT-4o Mini pour l'optimisation des coûtsVérification de la cohérence des recommandations et ajustementGénération d'explications personnaliséesInfrastructure CloudDéploiement sur cloud pour une scalabilité optimaleOptimisation des coûts d'exploitationMonitoring en temps réel des performancesMÉTHODOLOGIELe projet a été réalisé avec une équipe resserrée composée de :1 expert IA1 développeur full-stack1 product ownerLe développement s'est effectué en itérations de deux semaines, avec des phases de tests systématiques et un déploiement progressif en staging puis en production.EXEMPLE CONCRETDemande utilisateur :"Je cherche une tenue décontractée pour aller au bureau, qui soit à la fois élégante et éco-responsable. Je préfère les tons neutres et j'ai un budget d'environ 200€."Analyse par l'IA :RAG identifie les critères clés :Usage : tenue de bureau décontractéeStyle : élégant mais casualValeurs : éco-responsablePréférence couleur : tons neutresBudget : 200€LLM valide la cohérence et génère une réponse personnalisée :"Voici une sélection qui correspond à votre style business casual éco-responsable :Ensemble proposé :Chemise fluide en Tencel™ beige de la marque EcoWear - 75€ Fabriquée en France à partir de fibres biodégradablesPantalon droit en coton bio taupe de GreenStyle - 89€ Production certifiée commerce équitableAccessoire : Ceinture en liège naturel de Cork Fashion - 35€ Alternative végane au cuirTotal : 199€Ces pièces sont facilement associables entre elles et avec votre garde-robe existante. Le Tencel™ offre un excellent confort pour le bureau tout en étant respectueux de l'environnement. Souhaitez-vous voir d'autres combinaisons dans ces tons ?"RÉSULTATSNotre système de recommandation combinant RAG et LLM repousse les limites de la personnalisation e-commerce. En associant la puissance de la recherche sémantique à l'intelligence des modèles de langage, nous offrons aux utilisateurs une expérience d'achat réellement personnalisée :Performance techniqueTemps de réponse rapide grâce à l'optimisation cloudSystème scalable selon le volume de requêtesCoûts opérationnels maîtrisés grâce à l'utilisation de GPT-4 MiniExpérience utilisateurRecommandations plus pertinentes basées sur les demandes spécifiquesSuggestions adaptées aux demandes des utilisateursRéponses personnalisées avec explications clairesImpact businessMeilleure visibilité des produitsMise en avant efficace des engagements des marquesFacilitation de la découverte des produits correspondant aux critères des utilisateursPERSPECTIVESLes perspectives suite au succès de cette première phase ouvrent la voie à plusieurs développements prometteurs : intégration d'analyses prédictives des tendances, prise en compte des achats similaires, amélioration continue du modèle de recommandation et personnalisation approfondie des explications.
Selego a accompagné Money Walkie du concept à la Série A avec un CTO temps partagé, livrant un MVP en 4 semaines et facilitant une levée de 700 000€ pour son porte-monnaie électronique innovant destiné aux enfants.
La transformation des processus d'appels d'offres grâce à l'IA démontre comment la technologie peut créer un avantage concurrentiel dans le secteur financier.CHIFFRES CLÉS50% d'augmentation du nombre d'appels d'offres traités30% d'amélioration du taux de succès38 milliards de dollars d'actifs sous gestionA PROPOS DU CLIENTLeader mondial de la gestion d'actifs, iM Global Partner gère un portefeuille de 38 milliards de dollars à travers 16 implantations en Europe et aux États-Unis. Sa spécialisation dans les partenariats stratégiques avec des sociétés de gestion indépendantes en fait un acteur de référence du secteur financier internationalDÉFIDans un secteur aussi compétitif que la gestion d'actifs, la capacité à répondre efficacement aux appels d'offres est cruciale. iM Global Partner faisait face à un défi de taille : traiter un volume croissant de documents multilingues tout en maintenant une qualité de réponse irréprochable. L'extraction précise des questions et la construction d'une base de connaissances robuste à partir des documents existants nécessitaient une solution innovante, capable de s'adapter aux spécificités du contexte financier.SOLUTIONAu cœur du système, un processus de matching intelligent combine la puissance des embeddings pour la vectorisation des documents avec les capacités de l'IA générative Mistral Nemo. Cette alliance permet d'identifier automatiquement les correspondances les plus pertinentes entre les appels d'offres et les produits financiers.Pour le traitement des RFP (Request For Proposal), nous avons mis en place un système RAG (Retrieval-Augmented Generation) intelligent. Ce système analyse en profondeur les questionnaires, recherche les informations pertinentes dans la base de connaissances et génère des réponses contextualisées. L'ensemble de la plateforme est déployé directement sur l'infrastructure d'iM Global Partner, garantissant ainsi la sécurité et la confidentialité des données sensibles.Matching intelligent par IAUtilisation d'embeddings pour la vectorisation des documentsMatching automatique via IA générative (Mistral Nemo)Base de connaissances enrichie et contextualiséeTraitement automatisé des RFPAnalyse des questionnaires d'appels d'offresSystème RAG (Retrieval-Augmented Generation) pour la recherche d'informations pertinentesGénération de réponses contextualiséesSécurité et conformitéDéploiement on-premise sur l'infrastructure clientProtection des données sensiblesContrôle total sur le traitement de l'informationEXEMPLE DE PROMPT POUR NORMALISER LES RFPsLa force du prompt suivant réside dans sa combinaison de différentes techniques de prompting, créant un outil particulièrement efficace pour l'analyse des appels d'offres financiers. Au cœur de sa conception, on trouve few-shot learning qui utilise un cas concret pour illustrer exactement le format attendu. Cette approche est renforcée par une structuration méthodique en étapes, suivant un principe de chain-of-thought qui guide l'analyse de manière logique et séquentielle. Le prompt s'appuie également sur un système de contraintes explicites et une spécification précise du format de sortie en JSON, garantissant des résultats standardisés et facilement exploitables. L'ensemble est encadré par une définition claire du rôle et du contexte, assurant que l'analyse reste toujours alignée avec les objectifs spécifiques des appels d'offres financiers.Cette approche multifacette crée ainsi un système robuste et précis, capable de traiter efficacement les réponses aux appels d'offres tout en maintenant un niveau élevé de standardisation et de reproductibilité, éléments essentiels dans le secteur financier :ObjectifLire et analyser les documents pour identifier les paramètres d'investissement clés selon quatre catégories principales :Classes d'ActifsStyles d'InvestissementCatégories de CapitalisationFocus GéographiqueÉtapes d'AnalyseClasses d'ActifsExaminer les références aux classes d'actifsNoter toutes les classes d'actifs identifiéesDoit correspondre à la liste des valeurs spécifiéesStyles d'InvestissementExaminer les références aux stratégies d'investissementNoter tous les styles identifiésDoit correspondre à la liste des valeurs spécifiéesCatégories de CapitalisationExaminer les références à la capitalisation boursièreNoter toutes les catégories identifiéesDoit correspondre à la liste des valeurs spécifiéesFocus GéographiqueExaminer les références aux régions géographiquesNoter tous les emplacements identifiésDoit correspondre à la liste des valeurs spécifiéesParamètres OptionnelsIdentifier les préférences optionnelles ou alternatives acceptablesNoter les éléments qui sont :Préférés mais non obligatoiresAcceptables mais pas prioritairesPermis comme options secondairesCatégoriser les éléments optionnels dans les quatre catégories principalesGestion des AmbiguïtésIgnorer toute mention peu claire ou ambiguëInclure uniquement les éléments clairement identifiablesFormat de SortieLe résultat doit être formaté en JSON avec les catégories suivantes :Classes d'actifs obligatoiresStyles d'investissement obligatoiresCatégories de capitalisation obligatoiresFocus géographique obligatoireClasses d'actifs optionnellesStyles d'investissement optionnelsCatégories de capitalisation optionnellesFocus géographique optionnelExempleEntrée : "Investissement Large Cap avec stratégie de Rendement Absolu et Long-Only, Small et Mid cap sont permis mais ne doivent pas être le focus de la stratégie, focus US, global accepté, préférence pour Equity, Value permis"Résultat attendu :Obligatoire :Classe d'actif : ActionsStyle : Rendement Absolu, Long OnlyCapitalisation : Large CapGéographie : États-UnisOptionnel :Classe d'actif : AucunStyle : ValueCapitalisation : Small Cap, Mid CapGéographie : GlobalContraintesExtraire uniquement les informations explicitement mentionnéesUtiliser uniquement les mots-clés de la liste des valeurs fournieDistinguer entre paramètres obligatoires et optionnelsInclure les huit catégories dans la sortie (principales + optionnelles)Format JSON strict commençant par '{' et se terminant par '}'Pas de texte ou commentaires supplémentaires dans la sortiePoints ImportantsL'information doit être extraite du texte tel quelL'information doit correspondre exactement aux mots-clés de la listeNe pas ajouter d'informations supplémentairesNe pas inclure d'informations non demandéesEXEMPLE DE RFPMandat d'Investissement Global ESGClientType : Investisseur institutionnel canadien "Bluejay"Note : Pas de contact direct pendant le processus d'appel d'offres, passer par bfinanceCaractéristiques du MandatStratégie d'InvestissementClasse d'actifs : Actions globales thématiques ESGApproche : Multi-thématiques ESG/durabilité obligatoireExclusions : Stratégies mono-thématiques non acceptées (ex : eau, bas carbone, diversité des genres)Note : Les stratégies actions globales intégrant simplement l'ESG ne sont pas adaptéesTaille et StructureMontant : 30-40 millions CADAllocation : Un seul gestionnaireVéhicule d'investissement :Compte ségrégué ou fonds commun acceptésPréférence pour domiciliation Canada, US ou EuropeLiquidité fréquente requise (quotidienne/hebdomadaire)AUM minimum souhaité : 100 millions CAD pour les fonds communsPossibilité de "seeding" d'un nouveau fondsObjectifs et ContraintesBenchmark : Flexible (MSCI ACWI, MSCI World ou équivalent ESG)Objectif : Surperformance nette vs benchmark sur un cycle de marchéContraintes d'investissement :Pas de gestion systématiqueFocus pays développés ou global acceptéLarge cap ou all cap uniquementMaximum 5% de cashExclusion totale des entreprises du "Carbon Underground 200"Exigences ESGMulti-thématiques ESG obligatoireEngagement actionnarial requisÉléments valorisés :Alignement avec les ODDConformité taxonomie EUMesure KPIs ESGDémonstration d'intentionnalitéConsidération DEI (diversité, équité, inclusion)Participation aux initiatives sectorielles ESGCritères de SélectionTrack record : Minimum 3 ans (préférence 5 ans)AUM minimum : 100 millions CADReporting :Performance mensuelle et trimestrielleReporting ESG (intensité carbone, vote par procuration)Points réguliers avec le clientAspects CommerciauxFrais de gestion : Structure fixe ou liée à la performanceCommission bfinance : 21 points de base sur montant investiConditions : Acceptation des TC bfinance requise (https://impp.bfinance.com)MÉTHODOLOGIELe projet s'est déroulé sur une période de cinq mois, piloté par une équipe resserrée composée d'un ingénieur IA et d'un chef de produit. Cette configuration a permis une grande réactivité et une adaptation continue aux besoins spécifiques du secteur financier.Notre approche itérative s'est nourrie des retours constants des utilisateurs, permettant d'affiner les modèles et d'optimiser leurs performances. Des benchmarks réguliers ont guidé la sélection des meilleures solutions, assurant une amélioration continue de la plateforme.RÉSULTATSL'impact de la solution sur les opérations d'iM Global Partner a été immédiat et mesurable. Le nombre d'appels d'offres traités a augmenté de 50%, tandis que le taux de succès s'est amélioré de 30%. Au-delà des chiffres, la plateforme a transformé la manière dont les équipes abordent les appels d'offres, leur permettant de se concentrer sur les aspects stratégiques plutôt que sur les tâches répétitives.La capacité à traiter efficacement des documents en plusieurs langues, couplée à une base de connaissances structurée et facilement accessible, a considérablement augmenté l'agilité et la réactivité des équipes.Augmentation de 50% du nombre d'appels d'offres traitésAmélioration de 30% du taux de succèsTraitement multilingue efficace des documentsBase de connaissances structurée et facilement accessiblePERSPECTIVESL'intégration prochaine d'un chatbot IA viendra enrichir l'assistance aux utilisateurs, tandis qu'un éditeur IA optimisera encore davantage le processus de rédaction. Ces évolutions témoignent de notre engagement à repousser les limites de ce que l'IA générative peut apporter au secteur financier.La plateforme continue d'évoluer avec plusieurs innovations prévues :Intégration d'un chatbot IA pour l'assistance utilisateurDéveloppement d'un éditeur IA pour optimiser la rédactionExtension des capacités de traitement et d'analyseCette transformation numérique démontre comment l'intelligence artificielle, correctement mise en œuvre, peut créer un avantage concurrentiel significatif tout en respectant les exigences strictes de sécurité et de conformité du secteur financier.
Découvrez comment intégrer ChatGPT à Microsoft Word en moins de 30 minutes. Guide technique détaillé pour créer un module complémentaire Word avec React, incluant la configuration HTTPS et les étapes d'implémentation.
Le service public numérique Recosanté offre un suivi personnalisé des données environnementales avec recommandations santé. Développé par Selego et BetaGouv, cette application mobile intuitive agrège qualité de l'air, météo, UV et pollens pour protéger la santé des citoyens français.
Une startup innovante qui transforme le processus de mise sur le marché des médicaments grâce à l'IA générative.CHIFFRES CLÉS+ de 1000 documents de référence NICE ( National Institute for Health and Care Excellence) de plus de 400 pages95% de précisions dans les réponses30 secondes de temps de réponseA PROPOS DU CLIENTFondée par Virginie Simon (MBA '24J), MxAI a remporté le Grand Prix de la 48e édition de l'INSEAD Venture Competition, accompagné d'un financement de 25 000 €. Basée à Station F, la startup révolutionne l'approche de la mise sur le marché des médicaments en exploitant le potentiel de l'IA générativeDEFI TECHNIQUELa gestion et l'analyse de plus de 1000 documents pharmaceutiques de 400 pages de référence NICE ( National Institut for Health and Care Excellence) représentaient un défi majeur. La complexité résidait dans la nécessité de comprendre et d'extraire des informations pertinentes d'une documentation technique dense, tout en garantissant une précision absolue, critique dans le domaine pharmaceutique.La terminologie médicale complexe nécessitait une approche sophistiquée, combinant expertise technique et validation professionnelle. Le système devait non seulement comprendre le langage spécialisé mais aussi fournir des réponses rapides et précises.SOLUTIONModèle d'IAUtilisation de Gemini pour l'analyse et la générationTraitement spécialisé de la terminologie médicaleGestion des DonnéesMongoDB Atlas pour le stockage vectorielChunking optimisé pour les documents médicaux complexesBase de données constituée de 300 documents officiels du NICE (National Institute for Health and Care Excellence)Documents d'orientation clinique et d'évaluation thérapeutiqueSystème RAGArchitecture de génération augmentée par la rechercheRecherche contextuelle avancéeTraitement spécialisé des documents médicauxEXEMPLE CONCRETPour illustrer la puissance de notre système, prenons le cas d'un nouveau médicament en développement. Il s'agit d'un traitement innovant pour une maladie neurologique rare touchant les enfants, caractérisée par des crises d'épilepsie et une perte progressive des capacités motrices et du langage. Cette pathologie, particulièrement sévère, touche environ 200 patients dans le monde, avec une centaine de nouveaux cas diagnostiqués chaque année.Le traitement proposé nécessite une administration intrathécale sur deux jours d'hospitalisation. Les études cliniques en cours (phase I/II) évaluent principalement la réduction de la fréquence des crises et suivent l'évolution neurodéveloppementale via différentes échelles standardisées.En analysant sa base de documents NICE, notre IA a identifié trois traitements comparables, chacun avec ses spécificités :Le Cannabidiol se distingue par sa simplicité d'administration orale et son efficacité prouvée sur les crises, mais nécessite une surveillance hépatique étroite du fait d'interactions médicamenteuses potentielles.La Flenfluramine présente des résultats remarquables dans la réduction des crises, avec un recul significatif sur son utilisation. Son profil nécessite cependant un suivi cardiaque régulier et impose certaines restrictions alimentaires aux patients.La Cerliponase a démontré des résultats encourageants sur la préservation des capacités motrices et du langage. Son mode d'administration intrathécal et son coût élevé constituent néanmoins des freins à considérer.Cette analyse complète, générée en seulement 30 secondes, s'appuie sur des données validées par le NICE, permettant aux équipes médicales et réglementaires de prendre des décisions éclairées rapidement.MÉTHODOLOGIELe projet a été réalisé en un mois par une équipe resserrée composée d'un ingénieur IA et d'un développeur, avec la validation experte de Virginie Simon. L'approche itérative a permis d'affiner continuellement la précision du système à travers des benchmarks d'embeddings et des validations expertes.RÉSULTATSLa plateforme atteint aujourd'hui une précision de 95% dans ses analyses, permettant une réduction significative du temps de traitement des dossiers. Le système traite efficacement les documents de 400 pages, extrayant et analysant les informations pertinentes de manière automatisée.INFRASTRUCTURELa solution est déployée sur une infrastructure cloud, garantissant scalabilité et performance. L'architecture choisie permet une montée en charge fluide tout en maintenant des temps de réponse stables.PERSPECTIVESMAxAI continue d'innover dans l'application de l'IA au secteur pharmaceutique. Le succès de cette première phase ouvre la voie à de nouvelles évolutions, avec l'objectif constant d'améliorer et d'accélérer le processus de mise sur le marché des médicaments.
