Data engineering
- Ingestion multi-sources (Airbyte, Fivetran)
- Transformation versionnée avec dbt
- Data warehouse (BigQuery, Snowflake, Postgres)
- Qualité et tests de données automatisés
Faire parler vos données et automatiser ce qui peut l'être, avec discernement et garde-fous.
Cadrer un projet data ou IABeaucoup d'entreprises ont des tableaux de bord que personne ne consulte ou des POC d'IA qui n'ont jamais quitté le notebook. Nous travaillons à rebours : on part d'un problème métier concret, on identifie la donnée qui permet de le résoudre, et on choisit la solution la plus simple qui fonctionne. Parfois c'est un dashboard Metabase, parfois c'est un assistant LLM avec RAG sur votre documentation, parfois c'est juste un script d'automatisation. Et parce que l'IA générative en production présente des risques spécifiques (hallucinations, prompt injection, dérive des coûts, conformité RGPD), nous mettons systématiquement en place des garde-fous, des métriques de qualité et une gouvernance auditable. L'IA est un accélérateur puissant, à condition d'être maîtrisé. Vous décidez avec nous, sur des résultats mesurables.
Avant de déployer le moindre modèle, nous validons trois questions : qu'est-ce qu'on veut décider ou automatiser, quelle donnée est disponible, et comment on mesure le succès. Cette discipline évite 90% des projets data ou IA qui finissent en démo orpheline. Une fois en production, nous instrumentons systématiquement le système : métriques de qualité (factualité, latence), surveillance des coûts d'inférence, tests de régression sur les prompts, audit trail des décisions IA pour répondre à un contrôle ou un incident. L'accélération apportée par l'IA n'a de valeur que si elle reste maîtrisée. Vous repartez avec un cas d'usage qui crée de la valeur le premier mois, et une base technique sur laquelle on peut empiler les suivants.