Assistant technique LLM & RAG
Un agent qui lit des documentations techniques en PDF et répond aux questions d'automatisme industriel. Workflow n8n, base vectorielle PostgreSQL / PGVector, et un LLM pour la génération des réponses.
Sabrina Mansouri — Future étudiante en Master 1 Intelligence Artificielle à l'Université de Lille. Bienvenue dans mon système : chaque planète est un projet, chaque constellation une compétence. Ici je construis des agents LLM et des automatisations qui servent vraiment à quelque chose.
Trois étapes, deux pays, une direction : de Bouira à Lille.
La seule planète que je n'ai pas construite.
Mon parcours a commencé à Bouira, en Algérie, où j'ai obtenu ma Licence en Systèmes Informatiques avant d'entamer un Master en Génie des Systèmes Informatiques. J'ai ensuite fait le choix de poursuivre mes études en France : une Licence 3 Informatique à Amiens, puis un Master 1 Machine Learning à l'Université de Lille.
C'est en construisant un assistant technique basé sur les LLM et le RAG que j'ai trouvé ce qui m'anime vraiment : faire des systèmes qui servent à quelque chose, qu'on peut utiliser, pas seulement des notebooks qu'on referme. Depuis, je consacre mon temps aux agents, à l'automatisation et au RAG — c'est là que j'apprends le plus vite, et que je m'amuse le plus.
Licence en Systèmes Informatiques, puis Master 1 Génie des Systèmes Informatiques. Université Akli Mohand Oulhadj.
Licence 3 Informatique, Université Picardie Jules Verne. Stage au laboratoire MIS : apprentissage fédéré décentralisé sur données patients.
Master 1 Informatique, parcours Machine Learning, Université de Lille. C'est ici que je bascule vers les LLM, les agents et l'automatisation.
Une planète = un projet. Trois façons différentes de faire parler la donnée.
Un agent qui lit des documentations techniques en PDF et répond aux questions d'automatisme industriel. Workflow n8n, base vectorielle PostgreSQL / PGVector, et un LLM pour la génération des réponses.
Pipeline complet d'analyse de sentiments sur des tweets : nettoyage et prétraitement du dataset, puis comparaison de plusieurs approches de machine learning classique (KNN, clustering, classification bayésienne).
Deux façons de faire jouer une machine au Snake, mises face à face : un algorithme de plus court chemin (Dijkstra) contre un réseau de neurones entraîné à jouer. Comparaison des stratégies, des performances et des limites de chaque approche.
Chaque domaine forme sa constellation. Survole une étoile pour la voir briller.