Ajustement d’embeddings pour la recherche spécialisée (sentence-transformers)
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Je formalise d’abord le processus sous forme de graphe : étapes, conditions, points de validation humaine, actions irréversibles. Je développe chaque outil de l’agent comme une fonction testée indépendamment, puis je les assemble avec LangGraph. Toutes les exécutions sont tracées dans Langfuse, ce qui permet de rejouer un cas problématique. Je fournis une batterie de scénarios de test que vous pourrez relancer à chaque changement de modèle ou de consigne. Avec 6 ans de pratique, je sais où se cachent les difficultés de ce type de mission. Délai indicatif : 38 jours à partir de la réception de tous les éléments.
Votre processus enchaîne recherches, calculs, appels à plusieurs systèmes et décisions conditionnelles. Les outils visuels deviennent illisibles et les erreurs sont impossibles à retrouver.
Un agent codé en Python, avec un graphe d’états explicite, des outils bien délimités, des tests automatisés et une console d’observation qui montre chaque étape.
Trois mois de maintenance avec mise à jour en cas de changement de version du modèle.
Les révisions prévues sont incluses ; au-delà, elles sont chiffrées avant d’être faites.
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Un travail exploratoire sur un modèle qui signale les radiographies thoraciques à revoir en priorité.
Une caméra, un éclairage maîtrisé et un modèle qui repère les produits non conformes à cadence réelle.
Quantification, export ONNX, TensorRT : le même modèle, plus léger et plus rapide sur votre matériel.