Concevoir et développer des applications logicielles complètes intégrant des briques d'intelligence artificielle locale comme des services applicatifs robustes, souverains et mesurables.
L'objectif n'est ni d'entraîner des modèles de deep learning from scratch, ni de concevoir des agents autonomes incontrôlables. Il s'agit d'intégrer des modèles de pointe via API REST pour orchestrer des pipelines logiciels déterministes et robustes.
Gestion asynchrone des requêtes REST vers Ollama, streaming de tokens, gestion défensive des timeouts et mise en cache.
Ingénierie de prompt orientée automatisation avec sortie contrainte en JSON typé et validation de schémas stricts.
Gestion avancée des erreurs d'inférence, parsing défensif, détection et filtrage systématique des hallucinations de modèles.
Sélection de bases vectorielles adaptées (ChromaDB, LanceDB, Qdrant), découpage pertinent (chunking) et orchestration logicielle.
Dans une logique de souveraineté des données, de maîtrise des coûts et de reproductibilité, tous les développements s'appuient exclusivement sur l'infrastructure locale Ollama de l'IUT.
Modèle principal pour l'extraction de logique métier, la traduction text-to-SQL, l'analyse de logs, la formulation de diagnostics pédagogiques et la génération JSON stricte.
Modèle multimodal spécialisé dans la description granulaire d'images, l'inspection de captures d'écran (contraste, balises), la détection différentielle d'altérations physiques et les bounding boxes.
Vectorisation dense de fragments textuels, de fiches sémantiques ou de profils utilisateurs pour la recherche par similarité cosinus dans une base vectorielle locale.
Chaque groupe de 3 ou 4 étudiants se verra attribuer l'un des 13 sujets. Tous les sujets seront pris. Utilisez la recherche et les filtres pour explorer les spécifications.
Essayez d'ajuster vos termes de recherche ou de réinitialiser les filtres.
| N° | Titre du Sujet | Pilote | Modèles Requis | Base Vectorielle | Type d'Interface | Action |
|---|
Cette SAÉ met l'accent sur l'ingénierie logicielle, la rigueur méthodologique et la maîtrise technique totale des briques d'IA intégrées.
Usage des assistants de codage : Toléré, mais vous êtes 100 % responsables du code livré.
Chaque membre de l'équipe doit être capable d'expliquer n'importe quelle ligne, de justifier un algorithme, une structure de données ou une bibliothèque. Un code non compris ou non justifiable sera sanctionné.
Dépôts réguliers et atomiques : Versionnement sur le dépôt Git dès le premier jour (aucun « gros push final » toléré la veille de la soutenance).
Le dépôt doit intégrer le code, la configuration (.env.example), les tests unitaires et d'intégration, ainsi que la documentation continue (architecture, schéma vectoriel, API, guide d'installation).
Vous devez maîtriser le fonctionnement de vos appels à l'API Ollama locale :
Dimension des embeddings (embeddinggemma), fenêtre de contexte (context length), température, et gestion du mode thinking.
Gestion stricte des erreurs (timeouts, indisponibilité d'Ollama, parsing JSON défensif, pas de hardcoding d'URLs ou de modèles).
Évaluations surprises en temps limité : Des tests flash pourront être demandés en cours de séance.
Exemples d'épreuves : « Remplacez gemma4:12b par un autre modèle dans votre pipeline et adaptez votre prompt en 15 minutes », ou « Démontrez la réaction du système face à une erreur HTTP 500 renvoyée par Ollama ».
Jeu de test prêt à l'emploi : Un dataset minimal, nettoyé et prêt à être injecté doit obligatoirement être versionné dans le dépôt Git.
Selon le sujet : quelques images représentatives, fichiers 3D (.obj/.gltf), documents PDF/Markdown, dumps de logs LaTeX ou maquette SQL avec données de seed.
Métriques transparentes dans l'interface : Chaque application doit obligatoirement afficher des indicateurs d'inférence en temps réel :
