SSAIA
[ Réalisations ]

Ce qu'on a construit

Projets internes en R&D et automatisation. Les case studies clients arriveront au fil de l'eau.

Case 01 — Projet interne R&D
prototype fonctionnel

Agent vocal-IA

Healthcare · IA conversationnelle·Développement + Automatisation IA·2026
[ Contexte ]
Exploration d'un assistant vocal IA pour le suivi post-opératoire. Domaine santé = cadre réglementaire strict, exigences élevées de fiabilité et de confidentialité des données.
[ Contraintes ]
  • Reconnaissance vocale doit fonctionner sur navigateur standard
  • Latence TTS < 500ms pour fluidité conversationnelle
  • Conformité RGPD + HDS stricte (données de santé)
  • Pas de dépendance à une API cloud propriétaire pour la voix
[ Approche ]
  • Cadrage fonctionnel de 3 jours
  • Méthode TDD : tests RED → patch → GREEN systématique
  • Déploiement par tranches verticales testables
  • Observabilité latence dès le jour 1
  • Warmup de la voix au démarrage de l'API
[ Solution ]
Application Next.js + API Python. Reconnaissance vocale via Web Speech API. Synthèse vocale Piper (modèle local, sans appel cloud). Architecture micro-services avec base PostgreSQL.
[ Résultat ]
  • Prototype fonctionnel validé sur cas d'usage post-opératoire
  • Latence moyenne mesurée : 380ms
  • 0 dépendance cloud propriétaire pour le TTS
  • Méthode reproductible documentée
StackNext.js · Python · Piper TTS · PostgreSQL · Docker · Caddy
Case 02 — Projet interne
en production

pipeline content

Automation · Marketing·Automatisation IA·2026
[ Contexte ]
Outil interne pour générer du contenu multi-canal à partir d'une source unique. Gain de temps sur les publications récurrentes (newsletters, posts LinkedIn, threads X).
[ Contraintes ]
  • Qualité éditoriale constante (pas de 'générique IA')
  • Cohérence de ton sur plusieurs canaux
  • Possibilité de revue humaine avant publication
  • Métriques d'usage (ce qui est lu, ce qui est ignoré)
[ Approche ]
  • Identification des sources canoniques (1 article long → 5 formats)
  • Templates de prompt par canal avec contraintes de ton
  • File de validation manuelle avant publication
  • Dashboard de métriques
[ Solution ]
Workflow n8n orchestrant génération, validation et publication. Stockage des contenus dans PostgreSQL. Dashboard Grafana pour les métriques.
[ Résultat ]
  • 4-6 contenus générés par source initiale
  • Réduction de 60% du temps de production
  • Taux de validation manuelle : 85%
  • 0 publication automatique non revue
Stackn8n · Python · OpenAI API · PostgreSQL · Grafana