Aller au contenu
Data & IA

AISCA - Agent Intelligent Sémantique & Génératif

Agent d'orientation Tech & Data : analyse sémantique locale (SBERT) et IA générative (Google Gemini) en RAG pour matcher les profils aux opportunités réelles.

Client
Projet académique EFREI
Année
2026
Expertise
Data & IA
Prestations
NLP, IA Générative, RAG, Data Engineering
Outils
  • NLP
  • GenAI
  • RAG
  • Streamlit
  • SBERT

Contexte

Une application intelligente d'orientation professionnelle pour la Tech & Data. Elle combine l'analyse sémantique locale (SBERT) et l'IA Générative (Google Gemini) via une architecture RAG pour matcher les profils aux opportunités réelles. L'enjeu : résoudre le problème du matching par mots-clés rigides en créant une solution End-to-End (Data Engineering + NLP + GenAI + UI). Projet certifiant RNCP40875 (Expert en Ingénierie de Données) — EFREI Paris.

Notre approche

  • Moteur Sémantique (NLP)

    Vectorisation SBERT et calcul de similarité cosinus, sans dépendre d'un mot-clé exact.

  • Architecture RAG & GenAI

    Enrichissement des bios pauvres, traduction contextuelle et coaching personnalisé via Google Gemini.

  • Filtrage Hybride & Cache

    Garde-fous logiques (niveaux Maths/Code) pour éviter les hallucinations, et système de caching In-Memory (history.csv).

Livrables

Une application web Streamlit fonctionnelle offrant une analyse sémantique précise et un coaching IA, démontrant la capacité à orchestrer conjointement des modèles locaux et des LLMs distants.

Démo live

L’agent, en direct

Décrivez votre profil en quelques lignes et obtenez les métiers IT les plus proches sémantiquement, puis un plan de coaching généré par l’IA. Hébergée sur Streamlit Cloud, l’application peut mettre quelques secondes à se réveiller.

Architecture

De la bio au plan de coaching

Un moteur sémantique local, encadré par des règles déterministes, puis augmenté par un LLM. Sélectionnez un composant pour lire les choix techniques.

ETL & Cache

Data Loader & Historique

Chargement du référentiel JSON nettoyé, et gestion du cache des requêtes (history.csv) pour ne pas recalculer une analyse déjà faite.

  • JSON
  • Pandas
  • history.csv

Stack technique

Outillage

NLP & ML

  • Sentence-Transformers
  • SBERT
  • Scikit-Learn
  • Numpy
  • Pandas

GenAI

  • Google Gemini API
  • google-generativeai
  • RAG

Interface

  • Streamlit
  • Plotly (Radars)
  • FPDF (Export PDF)

Déploiement

  • Docker
  • Docker-Compose
  • Hugging Face
  • Streamlit Cloud
Voir le code source complet (GitHub)(nouvel onglet)

Moteur SBERT, pipeline RAG Gemini, interface Streamlit et configuration Docker.

Autres projets Data & IA

Retour au portfolio