Je construis des pipelines RAG (Génération Augmentée par Récupération) qui permettent à votre produit de répondre à des questions à partir de ses propres données — documents, bases de données, bases de connaissances internes, tout ce que vous avez.
La plupart de mes travaux récents ont été full-stack : embeddings vectoriels avec Pinecone, logique de chunking et de récupération en Python/FastAPI, et une interface Next.js qui fait apparaître les réponses. J’ai mis en place des systèmes où les utilisateurs téléchargent des PDF et reçoivent des réponses précises et citées en quelques secondes — pas des résumés hallucinés, des réponses réelles et ancrées tirées des bons morceaux.
Ce que je gère généralement : l’ingestion et le prétraitement de documents, l’intégration de pipelines, la recherche hybride (sémantique + mot-clé), la gestion des fenêtres contextuelles et la génération de réponses adaptée à la précision plutôt qu’à la fluidité. J’ai utilisé OpenAI, Gemini et des modèles open source selon la latence et les contraintes de coût du client.
Si vous avez des données non structurées que votre équipe ne peut pas interroger — contrats, rapports, tickets de support, documents produit — et que vous voulez un système qui peut réellement répondre à vos questions de manière fiable, c’est le genre de problème sur lequel je travaille.