Abdoulaye Sall

Architecture, développement et mise en production d’une plateforme agentique générant automatiquement des rapports d’analyse à partir d’un sujet utilisateur.

Objectif business :

Réduire drastiquement le temps d’analyse humaine et le coût de recherche documentaire tout en garantissant une haute fiabilité des résultats.

Résultats clés :

•Temps d’analyse très court grâce à l’orchestration de 7 agents autonomes.

•Coûts LLM ÷4 (-72%) à date, via semantic caching Redis.

•Disponibilité 99,8% avec une architecture serverless Azure.

•Coût infra ≈ $0/mois (Container Apps vs AKS).

•Expérience temps réel via streaming SSE (aucune latence perçue).

Architecture & décisions clés :

•Orchestration multi-agents (Planner / Researcher / Writer / Editor) avec workflows Draft → Reflection → Revision.

•Tool calling multi-sources (arXiv, Tavily, Wikipedia) avec retry logic.

•Choix documentés via 6 ADR (cache sémantique vs vector DB, SSE vs WebSockets, Container Apps vs AKS, tuning des températures agents).

•Déploiement automatisé sur Azure Container Apps via pipelines CI/CD GitHub Actions.

Stack technique : FastAPI · GPT-4o · Upstash Redis · Azure Container Apps · Terraform · Docker · SSE · Application Insights · Python

Application : Repository :

Assistant IA pour une chaîne de 20 restaurants, utilisé pour le support client et les opérations quotidiennes.

Objectif business :

Automatiser le support à grande échelle, réduire drastiquement les erreurs client et éliminer les coûts d’infrastructure superflus.

Résultats clés :

•Taux d’erreur <2% (vs 15–20% baseline) grâce à une architecture anti-hallucination en 4 couches.

•Latence 5–10 ms via moteur FAISS local → expérience instantanée.

•Coût infrastructure = 0€ (FAISS vs services managés).

•Disponibilité 99,5% en production (monitoring continu via Render et UptimeRobot).

•Support client autonome : menus, horaires, contacts, recherche par proximité géographique.

Architecture & décisions clés :

•Architecture 100% RAG agentique avec 9 outils spécialisés, orchestration agentique sur mesure (séquencement explicite des appels, contrôle fin du contexte et du raisonnement multi-étapes).

•Base de connaissance canonique unique (KB) avec contrôles de cohérence multi-critères (prix, horaires, localisations, dates).

•Recherche géographique par proximité (Haversine).

•Scraping automatisé, CI/CD complet, 54/54 tests unitaires validés.

•6 ADR documentés (stratégies anti-hallucination, orchestration agentique, paramètres LLM, FAISS vs vector DB).

Stack technique : FastAPI · GPT-4o-mini · FAISS · Docker · GitHub Actions · Pytest · Render · Python

Application :

Repository :

Mission réalisée via Capgemini.

Conception, développement et mise en production d’un système RAG vectoriel analysant 30 000+ parcours ferroviaires et publications techniques, afin d’accélérer les études d’ingénierie infrastructure et réduire la charge opérationnelle métier.

Résultats business :

•Temps d’analyse réduit de plusieurs jours à quelques minutes via génération automatisée de rapports multi-pôles.

•Réduction des coûts d’API grâce à un cache LRU embeddings/queries (100 entrées, TTL 60 min).

•Automatisation complète : génération de rapports et envoi emails via Azure OpenAI GPT-4o.

Architecture & décisions clés :

•Pipeline RAG hybride en production : BM25 + embeddings text-embedding-3-large + reranking GPT-4o (cross-encoder).

•Classification d’intention dynamique avec profils de scoring Azure AI Search adaptés au contexte de la requête.

•Architecture Azure HA : PostgreSQL Flexible Server, Blob Storage, AI Search, Streamlit, réseau sécurisé (VNet, Managed Identity).

•Leadership technique : code reviews, mentoring, définition des standards (Git workflow, nomenclature DB, patterns SQL).

Stack technique : Azure AD · VNet · Managed Identity · Web App · PostgreSQL Flexible Server · Blob Storage · AI Search · LLM · Python