VECTRA AI

Le point de départ

Comment organiser des sources hétérogènes et comprendre la fiabilité d’un résultat prédictif ?

L’objectif

Construire un laboratoire local qui relie préparation des données, modèles entraînés, traçabilité et interface de consultation.

Mon rôle

Cadrage des besoins, conception du fonctionnement et coordination de la réalisation avec des agents de codage ; examen des contrôles et des limites.

Étapes documentées

1. Génération de données synthétiques et chaîne ETL avec stockage local.
2. Modèles supervisés entraînés avec partitions chronologiques et vérification des données.
3. Interface React, API locale et simulation de scénarios.
4. Contrôles P3 de compatibilité des données, traçabilité et export reconstructible.

Difficultés rencontrées

Les données irrégulières ne correspondent pas automatiquement au protocole des modèles. Le projet doit distinguer exploration de données, apprentissage qualifié et interprétation des résultats.

Résultats observés

Le rapport d’export P3 documente une reconstruction sur extraction neuve, 215 tests réussis, un build frontend et des contrôles API réussis. Les scénarios restent synthétiques : ces vérifications ne prouvent pas un diagnostic automobile fiable ni une aptitude à la production.

État d’avancement

Application locale fonctionnelle · version P3 documentée · données synthétiques.

Technologies utilisées

Python · FastAPI · React · TypeScript · SQLite · scikit-learn · Parquet

Compétences associées

ETL · Structuration des données · Machine learning supervisé · Validation · Audit · Traçabilité · Raisonnement système