InsideBoard AI

Plateforme de traitement de données assistée par IA pour l'automobile

Un pipeline déployé qui transforme des flux Excel d'entreprise hétérogènes en données propres et vérifiées, avec une IA strictement encadrée.

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

Decision Room 01

Produit déployé chez un client

Un fichier est validé avant d'être livré, sinon il s'arrête avec une explication.

L'exécution réussie est enregistrée ci-dessous. Explorez le contrat opérationnel qui garantit le résultat, sans exposer les données du client ni les secrets d'implémentation.

89
Colonnes attendues dans le modèle enregistré: 16 s
Validation enregistrée de 226 lignes: Python
Décision finale déterministe

Exécution enregistrée · livraison réussie

Workflow enregistré25 s25 s · sans son

89 col. · vérifiées89 colonnes · validation déterministe

Explorer l'exécution enregistrée

L'opérateur sélectionne le modèle de fichier attendu avant tout traitement des données.

Le parcours client enregistré : choisir le schéma attendu, importer le fichier source, suivre chaque contrôle, puis télécharger le fichier normalisé. L'identité du client final a été retirée.

Interroger le système

Contrat d'entrée

Un classeur récurrent et un modèle attendu explicite.

L'opérateur sélectionne le modèle de fichier attendu avant l'import. Le classeur reçoit une empreinte et est comparé à un contrat structurel versionné avant toute normalisation.

Limite de confidentialité

Le modèle ne voit que la structure des colonnes. Les valeurs des cellules restent hors du LLM.

Parcours d'exécution

01Recevoir
02Identifier
03Valider
04Décider
05Livrer

Le problème

Une marque automobile envoie régulièrement à InsideBoard des flux Excel comportant un grand nombre de colonnes. Les modèles dérivent silencieusement entre les livraisons : des colonnes sont renommées, déplacées ou supprimées. Ces écarts brisent la normalisation en aval et imposent à chaque cycle un contrôle manuel lent et sujet aux erreurs.

Ce que j'ai construit

J'ai conçu toute la plateforme de traitement de bout en bout. n8n reste un convoyeur léger, tandis qu'un service Python exécute un pipeline en 11 étapes qui analyse chaque classeur, le vérifie à l'aide d'un registre de modèles versionné et le normalise en CSV prêt à livrer. Un agent LLM analyse les anomalies de structure et présente ses preuves, mais une ceinture d'intégrité déterministe garde le dernier mot : l'IA conseille, Python décide, afin qu'aucune hallucination ne puisse livrer des données erronées. Le modèle ne voit que la structure des colonnes, jamais les valeurs des cellules.

Le résultat

Le pipeline est conçu pour permettre à un opérateur de résoudre chaque cas de fichier en moins de 60 secondes, au lieu de vérifier manuellement chaque ligne de livraison. Il valide, normalise et livre de façon autonome, et ne remonte un fichier que lorsqu'une anomalie est réelle, accompagnée de sa nature exacte, de sa cause et du raisonnement de l'agent. Chaque exécution est tracée et journalisée de façon permanente. Le système est déployé dans l'environnement de livraison, avec pour objectif de remplacer entièrement la revue manuelle.

Voir le système en action

Le workflow de traitement n8n : une planification toutes les cinq minutes déclenche une analyse SFTP, puis envoie une alerte Slack de réussite ou d'échec. n8n reste un convoyeur léger, le pipeline Python réalise le travail de fond.

Le portail client après une exécution enregistrée : 226 lignes validées en 16 secondes, avec les 89 colonnes attendues présentes et dans le bon ordre. L'identité du client final a été retirée.

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

StackPythonFastAPIn8nopenpyxlLiteLLM / AnthropicLangfusePostgreSQLKubernetesArgo CDSlack

Vous avez un projet similaire ?

Réserver un échange Autres réalisations