Toutes les réalisations

InsideBoard AI

Automatisation du contrôle des fichiers clients

Un système déployé qui contrôle les fichiers Excel reçus, prépare les données utiles et ne sollicite l'équipe qu'en cas de problème.

Forward Deployed Engineer, InsideBoard AI · Depuis mai 2026 · SaaS d'entreprise et données automobiles

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.

L'intervention

J'ai conçu et livré un système qui compare automatiquement chaque fichier à la structure attendue, puis prépare les données pour la suite. Lorsqu'un fichier n'est pas conforme, l'équipe reçoit la cause précise du problème et peut intervenir avant qu'une donnée incorrecte ne soit transmise. Les fichiers arrivent par SFTP, passent par une validation et une normalisation Python appuyées sur un registre de référence, puis repartent par SFTP, le tout orchestré par n8n.

Le résultat

Les contrôles automatiques font gagner plus de dix heures par semaine à l'équipe. Celle-ci n'intervient plus que lorsqu'un fichier demande son attention, et chaque traitement reste traçable.

En détail

  • Le contrôle manuel ligne par ligne des fichiers est remplacé par un pipeline automatisé et vérifié
  • Objectif opérationnel : résoudre chaque cas de fichier en moins de 60 secondes
  • Registre versionné pour les modèles Excel à grand nombre de colonnes ; le modèle enregistré contient 89 colonnes attendues
  • Chaque exécution est tracée et journalisée de façon permanente, avec le raisonnement de l'IA joint à chaque alerte

Comment ça marche

  • Pipeline Python en 11 étapes : empreinte, analyse, preuve, analyse IA, ceinture déterministe, normalisation et livraison
  • Règle du jeu : le LLM conseille uniquement sur la structure, jamais sur les données des cellules. Une ceinture d'intégrité V1-V10 et des preuves Python décident de la livraison
  • Mémoire d'agent à amélioration continue : une observation ne devient un apprentissage qu'après avoir franchi un seuil de preuve ou reçu une validation humaine
  • Console opérateur FIP : pipeline en direct via SSE, gouvernance de la santé des modèles et portails clients multitenants en anglais et en français
  • API REST versionnée avec plus de 20 endpoints, exécuteurs de tâches en arrière-plan, traçage Langfuse et alertes opérateur Slack

Pourquoi lui faire confiance

  • Infrastructure de développement multi-agents : agents de revue limités à leurs outils respectifs pour l'architecture, l'exploitation, la sécurité et la planification, qui votent successivement sur chaque changement, avec un index du code sous forme de graphe de connaissances que les agents interrogent au lieu de parcourir les sources brutes
  • Système de contexte à plusieurs niveaux : glossaire à vocabulaire contrôlé, documents de relais numérotés et mémoire persistante par agent avec consolidation nocturne automatisée, afin qu'une nouvelle session IA reconstruise tout l'état du projet sans relire le code
  • Journal de décisions en ajout seul, avec plus de 60 ADR verrouillées, et contrôle de sécurité qui analyse chaque agent ou skill tiers pour détecter les injections de prompt avant tout accès au disque
  • CI en quatre étapes : plus de 550 tests hermétiques avec couverture, SonarQube, prévisualisations par pull request et contrôle automatisé du code par IA, derrière des hooks de protection des pushes vers main et d'exfiltration de secrets

Stack technique

  • Python
  • FastAPI
  • n8n
  • openpyxl
  • LiteLLM / Anthropic
  • Langfuse
  • PostgreSQL
  • Kubernetes
  • Argo CD
  • Slack

Aperçu du résultat

Automatisation InsideBoard25 s
Parcours enregistré

Vous avez un projet similaire ?

Réserver un échangeAutres réalisations
InsideBoard AI: Automatisation du contrôle des fichiers clients | Marwane Ait Yahia