Agents au périmètre étroit
Orchestration avec LangGraph, agents spécialisés (lecture, extraction, classification, contrôle) et étapes de validation entre l'IA et la sortie.
Expertise · Architecture IA
Architecte IA
Des systèmes d'IA conçus comme des systèmes : des composants au contrat clair, des sorties vérifiables et une exploitation qui tient dans la durée.
Le problème que je résous
Un prototype d'IA se construit en quelques jours. Un système d'IA fiable, non. Entre les deux, il y a tout ce que la démonstration ne montre pas : des documents mal numérisés, des langues mélangées, des réponses qu'il faut pouvoir justifier, des coûts d'inférence, des droits d'accès, des cas limites que le modèle traite avec assurance et à tort.
Mon rôle d'architecte IA est de placer le modèle au bon endroit : là où il apporte de la valeur, entouré d'étapes déterministes qui le contrôlent, et dans une architecture qu'une équipe peut tester, surveiller et faire évoluer.
Ce que je conçois
Assistants documentaires fiables
Ingestion versionnée, recherche vectorielle filtrée par droits, réponses sourcées, journal d'audit — jusqu'aux exigences GxP.
Pipelines de modèles
Vision par ordinateur, IA biomédicale et génomique, inférence légère (ONNX), du prétraitement jusqu'à l'interface utilisateur.
Principes d'architecture
- L'IA dans le système, pas l'inverse. Le modèle est un composant avec un contrat d'entrée et de sortie, comme les autres.
- Des sorties vérifiables. Chaque étape produit un résultat intermédiaire inspectable ; le résultat final n'est jamais une boîte noire.
- Un humain dans la boucle là où ça compte. En santé et en environnement réglementé, l'IA prépare et argumente ; la décision reste humaine.
- Les contraintes comme spécification. Budget d'inférence, confidentialité, matériel disponible : elles orientent le choix entre API, cloud et modèles locaux.
Exemples d'architectures
- Pipeline génomique — des données génomiques d'un patient jusqu'au rapport médical, en passant par la pathogénicité des variants et la classification du cancer. Voir le schéma
- OCR multi-agents — extraction de documents multilingues (arabe, français, anglais) en données structurées, avec contrôle déterministe. Voir le schéma
- RAG réglementé — assistant documentaire pour un environnement pharmaceutique GxP. Voir le schéma
- Dataset Intelligence Engine — agents qui analysent, structurent, étiquettent et documentent des jeux de données. Voir le schéma
À lire : RAG en environnement réglementé : la conformité est une exigence d'architecture.
Questions fréquentes
Que fait un architecte IA ?
Il décide comment l'IA s'insère dans un système : quelles étapes confier à un modèle, lesquelles garder déterministes, comment circulent les données, comment on vérifie, trace et fait évoluer le tout. Son travail va du choix des approches (agents, RAG, modèles spécialisés) jusqu'aux contraintes d'exploitation.
Quand utiliser un système multi-agents plutôt qu'un seul modèle ?
Quand la tâche se découpe en sous-problèmes distincts (lire, classer, extraire, vérifier) qui gagnent à être testés et corrigés séparément. Des agents au périmètre étroit, orchestrés par exemple avec LangGraph, sont plus faciles à fiabiliser qu'un modèle généraliste à qui l'on demande tout.
Comment rendre un RAG acceptable dans un environnement réglementé ?
En traitant la conformité comme une exigence d'architecture : corpus versionné et maîtrisé, recherche filtrée par droits d'accès, réponses systématiquement sourcées et journal d'audit de chaque échange. Le modèle de langage n'est qu'une des étapes.
Travaillez-vous avec des modèles open source ou des API ?
Les deux, selon les contraintes de coût, de confidentialité et d'infrastructure. J'ai conçu des pipelines entièrement locaux (Ollama, modèles open source) comme des systèmes s'appuyant sur des API ou sur le cloud (GCP Vertex AI).
Un projet de transformation, une architecture à concevoir ?
Entreprises, startups, institutions : décrivez-moi votre contexte en quelques lignes. Je réponds personnellement, avec un premier avis sur la faisabilité et la démarche.
Proposer une mission LinkedIn ↗ GitHub ↗
Missions en Algérie, en France, en Europe, au Maghreb et à distance · Arabe, français, anglais · contact@ouahabi-benhenni.com