Toutes les réalisations
Mission client via InsideBoard
Automatisation du contrôle des fichiers clients
A montré qu'elle pouvait supprimer plus de dix heures de contrôles manuels par semaine.
Avec les équipes InsideBoard, j’ai analysé le circuit des données, questionné l’approche, puis conçu une solution de traitement des fichiers et réalisé sa preuve de concept avec Claude. L’équipe technique d’InsideBoard a ensuite repris la plateforme pour la passer à l’échelle.
Forward Deployed Engineer, InsideBoard AI · Depuis mai 2026 · SaaS d'entreprise et données automobiles
Aperçu du résultat
Automatisation InsideBoard25 s25 s · sans son
Parcours enregistréParcours client enregistré
Le problème
InsideBoard reçoit régulièrement des fichiers Excel d'une grande entreprise automobile. Leur structure peut changer sans prévenir, ce qui obligeait deux personnes à contrôler chaque fichier avant de poursuivre le traitement.
Le résultat
Les deux personnes qui contrôlaient les fichiers à la main ont testé la preuve de concept : les fichiers passaient directement, sans contrôle manuel. L'équipe technique d'InsideBoard a ensuite repris la plateforme pour la passer à l'échelle. L'équipe n'intervient que lorsqu'un fichier pose problème, et chaque traitement reste traçable.
Ma contribution
J’ai réuni les informations des équipes métier, plateforme et opérations pour reconstituer le circuit complet des fichiers. J’ai défini l’architecture et le rôle de chaque outil : orchestration n8n, validation Python et analyse IA. L’IA conseille sur la structure ; des contrôles déterministes autorisent ou bloquent la livraison. Le code a été écrit par des agents sous ma direction ; j’ai relu, testé et évalué chaque étape, dont les connexions entre le SFTP, le service de validation et les alertes Slack, dans le circuit de livraison GitLab d’InsideBoard. La preuve de concept a montré que l’approche fonctionne, puis l’équipe technique d’InsideBoard a repris la plateforme pour la passer à l’échelle. L’enregistrement présenté provient de l’environnement de développement.
En détail
- Informations métier et techniques réunies dans une conception couvrant la réception des fichiers jusqu’à leur livraison
- Responsabilités définies entre orchestration, conseil de l’IA et validation déterministe
- Règles de structure versionnées et traitement explicite des anomalies pour éviter qu’un fichier modifié passe sans contrôle
- Services connectés, avec des tests, des alertes pour les opérateurs et une traçabilité à chaque exécution
Fonctionnement
- Chaque fichier suit le même parcours : identification de son gabarit, lecture, vérification, avis de l'IA sur sa structure, contrôles déterministes, normalisation, livraison
- L'IA donne son avis sur la structure du fichier, jamais sur le contenu des cellules. Ce sont des contrôles déterministes qui décident de la livraison
- Un fichier qui ne correspond plus à son gabarit est bloqué et signalé, au lieu de passer sans contrôle
- Les opérateurs suivent chaque traitement en direct dans une console, voient l'état de chaque gabarit de fichier et reçoivent une alerte Slack quand un fichier pose problème
- Une API versionnée (plus de 20 endpoints) exécute les traitements en arrière-plan, et chaque appel à l'IA est tracé
Garde-fous et qualité
- Chaque modification est testée automatiquement avant sa mise en service (plus de 550 tests), avec un contrôle de la qualité du code et une revue à chaque merge request
- Les pushes directs sur la branche principale et toute fuite de secrets sont bloqués automatiquement
- Les décisions d'architecture, d'exploitation et de sécurité sont consignées : l'équipe sait pourquoi le système fonctionne ainsi
- Les outils d'IA tiers sont contrôlés contre les injections de prompt avant de pouvoir intervenir sur le projet
Stack technique
- Python
- FastAPI
- n8n
- openpyxl
- LiteLLM / Anthropic
- Langfuse
- PostgreSQL
- GitLab CI/CD
- Slack