Les Chantiers — données & machine learning

Vos données dorment. On les met au travail.

L’exploitation des données d’une entreprise commence simple : tableaux de bord fiables, prévision, détection d’anomalies. Le machine learning n’intervient que là où les règles ne suffisent plus.

Ce qu’on construit avec vos données

Ventes, achats, production, tickets : vous possédez déjà des années de données. Quatre exploitations concrètes, par ordre de complexité croissante.

Tableaux de bord fiables

Des chiffres que tout le monde accepte parce qu’ils sont traçables jusqu’à la source. Souvent le chantier le plus rentable — et le moins vendu.

Prévision : ventes, stocks, charge

Anticiper la demande, dimensionner les stocks, planifier la charge d’équipe à partir de votre propre historique. Avec un protocole d’évaluation honnête : on mesure l’erreur avant de promettre.

Détection d’anomalies

Factures inhabituelles, dérives de consommation, écarts de production : repérer ce qu’un humain ne voit plus dans le volume.

RAG conforme sur vos documents

Interroger vos documents internes en langage naturel, avec des réponses tracées vers leurs sources — hébergé sous votre juridiction, pas dans un LLM public.

La preuve avant la promesse

Règle maison : le machine learning seulement quand les règles ne suffisent plus. Quand une règle métier explicite fait le travail, on livre la règle — moins chère, plus lisible, plus facile à auditer.

Registre de données et tableau de bord type

Un extrait de registre de données type — où chaque donnée naît, sa qualité, qui la consomme, ce qu’elle permettrait — et le tableau de bord qui en découle, chaque chiffre traçable jusqu’à la source.

Registre des données : sources, qualité, usages possibles
Tableau de bord documenté, chiffres traçables
Modèle prédictif avec protocole d’évaluation et mesure d’erreur
Dossier RGPD du traitement (bases légales, minimisation)

Exemple illustratif — pas un document client

Le déroulé type

1. État des données

Inventaire de ce que vous possédez : sources, qualité, historique disponible. C’est le volet données de l’État des lieux — sans données fiables, pas de modèle fiable.

2. Cas d’usage priorisé

On choisit le cas où la donnée paie le plus vite, avec sa classification AI Act et son cadre RGPD posés avant d’écrire une ligne de code.

3. Construction et évaluation honnête

Règles d’abord, ML si nécessaire. Chaque modèle est évalué contre la réalité, avec une mesure d’erreur écrite noir sur blanc.

4. Mise en production et suivi

Un modèle se dégrade avec le temps : supervision de la dérive, réentraînement cadré. En interne ou via la Salle des machines, sous SLA.

Et tout cela passe l’audit

RGPD dès la conception

Bases légales identifiées, données minimisées, droits des personnes outillés. Le dossier RGPD du traitement est un livrable, pas une régularisation après coup.

RAG conforme, architecture de référence

Vos documents restent sous votre juridiction : ingestion contrôlée, traçabilité des sources dans chaque réponse, aucun envoi silencieux vers un LLM public.

Classification AI Act du cas d’usage

Chaque cas d’usage est classé avant construction. Les obligations pour les systèmes à haut risque s’appliquent depuis le 2 août 2026 ; la littératie IA (article 4) depuis le 2 février 2025.

Questions fréquentes

Avons-nous assez de données ?

Souvent oui, sans le savoir : quelques années de facturation ou de ventes suffisent pour une première prévision utile. L’état des données répond précisément à la question — et si vos données ne suffisent pas, on vous le dit par écrit plutôt que de construire un modèle bancal.

ChatGPT ne suffit-il pas ?

Pour rédiger un brouillon, souvent. Pour exploiter vos documents et données internes, un LLM public pose des questions de confidentialité et de juridiction que votre auditeur posera aussi. Un RAG conforme, hébergé sous votre juridiction, donne des réponses tracées vers vos sources — et passe l’audit.

Faut-il du machine learning partout ?

Non. Notre règle : le ML seulement quand les règles ne suffisent plus. Une règle métier explicite est moins chère, plus lisible et plus facile à auditer qu’un modèle. On vous dit honnêtement dans quel cas vous êtes.

Combien de temps avant un premier résultat ?

Un tableau de bord fiable se livre en quelques semaines. Un modèle prédictif dépend de l’état de vos données — c’est justement ce que l’État des lieux mesure. Dans tous les cas : forfait à périmètre fixe, devis sous 48 h.

Vos données valent plus que ce qu’elles rapportent

Commencez par un Scan Express gratuit : 90 minutes avec un ingénieur pour repérer où vos données paient — et où elles ne paieront pas.

Demander un Scan Express Voir la méthode