Du pipeline à l'agent IA, du POC à la production

Le défi

Dans la R&D pharmaceutique, les données d'essais cliniques arrivent de toutes parts : plateformes de saisie électronique des centres investigateurs, sociétés de recherche sous contrat (CRO), laboratoires centraux d'analyse, registres publics d'essais, bases internes et tableurs des équipes. Les chercheurs ont besoin d'une vue consolidée et les futurs agents IA d'un accès fiable, dans un environnement réglementé où les Bonnes Pratiques (GxP) imposent de justifier et de tracer chaque traitement.

Notre approche

Intégrés à l'équipe data de la R&D, nos Data Engineers construisent le lakehouse qui ingère les 35 sources, avec un catalogue de données et une couche sémantique qui documente chaque indicateur. Chaque transformation est versionnée et tracée, de la source au résultat, pour répondre aux exigences d'audit et de validation du secteur. Les données sont exposées aux chercheurs et aux agents IA via des accès contrôlés.

Impact

Une vue unique et auditable des données cliniques, prête pour les inspections réglementaires comme pour les agents IA.

Technologies

Le défi

Les équipes marketing des laboratoires croisent publications scientifiques, social listening et documents internes pour orienter leurs marques. Un système multi-agents peut générer ces insights à grande échelle, à condition de prouver qu'ils sont nouveaux, fondés et fiables, alors que les experts métier ont peu de temps pour valider.

Notre approche

Intégré à une équipe de software engineers, notre Data Scientist conçoit l'architecture des agents (superviseur, génération, évaluation) et un golden dataset annoté avec les équipes médicales. Chaque insight est noté sur la précision, la pertinence, la nouveauté et le risque d'hallucination, par LLM-as-a-judge, et des benchmarks détectent toute régression après un changement de prompt, de modèle ou de source.

Impact

Des recommandations dont la fiabilité est mesurée, et des experts qui ne valident plus que les insights à forte valeur.

Technologies

Le défi

Sur un site de production, une panne non planifiée arrête une ligne entière. Détecter les anomalies à temps impose d'exploiter des données très hétérogènes : télémétrie des capteurs, manuels techniques, photos de maintenance et vidéos opérationnelles.

Notre approche

Intégrés à l'équipe IA industrielle, nos Data Scientists construisent les modèles de prévision de pannes et de détection d'anomalies sur les séries temporelles des capteurs, ainsi que la vision par ordinateur pour l'inspection visuelle. Des agents IA interprètent les anomalies et rédigent les recommandations de maintenance à partir des manuels techniques. Chaque modèle est validé sur des sites pilotes avant son déploiement.

Impact

Une maintenance qui passe du curatif au prédictif, validée site par site avant d'être étendue au parc.

Technologies

Le défi

Valider un message auprès de vrais panels prend deux à trois mois et coûte cher. Des personas synthétiques pilotés par LLM donnent un premier retour immédiat, à condition de rester crédibles, cohérents et fidèles à leur profil à grande échelle.

Notre approche

Intégré à l'équipe data marketing, notre Data Scientist conçoit le moteur de personas : séparation du profil fixe et de l'état du moment, mémoire en graphe mise à jour à chaque échange, choix du modèle adapté à chaque tâche. Des cadres d'évaluation mesurent la cohérence des personas et détectent les dérives avant chaque campagne.

Impact

Un premier retour sur une campagne en quelques minutes, avant d'engager des panels coûteux.

Technologies

Le défi

Dans une grande banque, chaque clôture mensuelle mobilise contrôle de gestion et équipes risques pendant plusieurs jours. Les chiffres viennent du grand livre, des systèmes de risque et de nombreux fichiers Excel, avec des définitions qui varient d'une équipe à l'autre. Le régulateur attend pourtant une traçabilité complète des données de risque, selon les principes BCBS 239.

Notre approche

Intégrés aux équipes finance et risques, nos Analytics Engineers posent d'abord un socle data fiable : entrepôt cloud, modélisation dbt orchestrée par Dagster, contrats de données et tests qui bloquent tout chiffre incohérent, lignage jusqu'à la source. Sur ce socle, notre AI Engineer construit les agents qui génèrent slides et fichiers Excel aux standards de la banque, avec validation humaine de tout écart.

Impact

Des dossiers de comité produits à partir de chiffres certifiés et traçables, alignés sur les principes BCBS 239.

Technologies

Le défi

Une plateforme Databricks étendue sur Azure et AWS porte 200 cas d'usage data et IA répartis sur 70 espaces de travail, dans un environnement à forte contrainte de cybersécurité. Chaque nouvelle équipe doit pouvoir démarrer vite, sans dériver sur les coûts ni la sécurité.

Notre approche

Intégrés à l'équipe plateforme data, nos Cloud & DevOps Engineers automatisent toute la plateforme en infrastructure as code (Terraform, Terragrunt), gèrent les accès entre clouds, mettent en place l'observabilité et optimisent performances et coûts. Les nouveaux espaces de travail sont créés en libre-service, conformes aux règles de sécurité dès leur création.

Impact

Une nouvelle équipe data démarre en libre-service, sans dérive de sécurité, et les coûts de calcul sont suivis projet par projet.

Technologies

Le défi

Chez un industriel, un seul lot bloqué peut arrêter une ligne de production, décaler des livraisons clients et immobiliser des stocks. Les causes sont connues : une matière en retard, un équipement indisponible, un contrôle qualité en attente. Mais les signaux sont éparpillés entre l'ERP, le MES et les outils qualité, et les équipes découvrent le problème le jour même, quand il est trop tard pour réagir.

Notre approche

Intégrés à l'équipe data de la supply chain, nos Analytics Engineers consolident les données de flux (ERP, MES, LIMS) dans des modèles dbt testés et calculent les indicateurs clés : temps de cycle, délais, débit, en-cours. Un score de disponibilité en temps quasi réel, restitué dans Power BI, signale les lots à risque jusqu'à 72 heures avant exécution.

Impact

Les équipes agissent jusqu'à 72 heures avant un blocage, au lieu de le découvrir le jour même.

Technologies

Le défi

Un assistant IA interne remplace des licences externes coûteuses et traite des centaines de milliers de requêtes. Pour le piloter, il faut savoir si ses réponses sont bonnes, combien coûte chaque requête et quels agents sont réellement utilisés, alors que les données sont éclatées entre interface et serveur.

Notre approche

Intégrés à l'équipe qui opère l'assistant, nos ingénieurs LLMOps unifient la télémétrie (OpenTelemetry, traces LLM) et les données d'usage dans un pipeline analytics unique. Les tableaux de bord suivent la qualité des réponses, le coût d'inférence par requête et par agent, la latence et l'adoption par métier.

Impact

La direction arbitre modèles et investissements sur des chiffres fiables, agent par agent.

Technologies

Le défi

Une plateforme de santé numérique déploie un assistant IA qui prépare les consultations : synthèse du dossier, reformulation des motifs, génération des comptes rendus. Dans un contexte médical, une erreur factuelle est inacceptable, et chaque nouvelle version de modèle ou de prompt doit être validée vite, sans dégrader la qualité.

Notre approche

Intégrés à la direction Data & AI, nos AI Evaluation Engineers construisent le socle d'évaluation : jeux de référence, LLM-as-a-judge calibré, tests de non-régression, red teaming et métriques de factualité. Les évaluations sont intégrées à la CI et rejouées à chaque changement de prompt ou de modèle. Les traces de production sont suivies en continu pour enrichir les jeux de test avec les cas réels.

Impact

Une montée de version validée en quelques heures, avec des preuves chiffrées de qualité.

Technologies

Le défi

Un industriel de la défense veut équiper ses équipes de soutien opérationnel d'assistants agentiques, pour accompagner la maintenance des systèmes livrés aux forces armées. Ils doivent s'appuyer sur une documentation technique volumineuse, des bulletins de service et des historiques d'incidents, dans un environnement protégé, avec une exigence absolue : chaque réponse doit citer une source exacte et à jour.

Notre approche

Intégrés à l'équipe de soutien numérique, nos Context & Knowledge Engineers conçoivent l'architecture de contexte : graphe de connaissances, recherche hybride vectorielle et lexicale, serveurs MCP et mémoire des agents. Le pipeline d'ingestion est outillé par l'IA, avec extraction structurée des documents, versionnage des sources et contrôle automatique de la fraîcheur des contenus.

Impact

Chaque réponse des agents cite une source technique exacte et à jour, vérifiable par les équipes.

Technologies

Le défi

Un grand groupe d'assurance multiplie les cas d'usage IA dans ses entités. L'AI Act impose de les recenser, de classer leur niveau de risque et de documenter les systèmes à haut risque. Sans cadre outillé, chaque nouveau projet attend des semaines une décision de gouvernance.

Notre approche

Intégrés à la direction Data & AI Governance, nos AI Governance & AI Act Leads structurent le registre des cas d'usage, la classification des niveaux de risque et les évaluations de conformité. Ils définissent le cadre de contrôle : politiques par niveau de risque, documentation technique, supervision humaine, alignement ISO 42001. Le registre est outillé par l'IA, avec pré-classification automatique des nouveaux cas d'usage et génération des dossiers de conformité.

Impact

Une décision de gouvernance en quelques jours, et un registre prêt pour les obligations de l'AI Act sur les systèmes à haut risque.

Technologies