Alexandre Poupeau

● Contexte: Dans le cadre de la stratégie d’adoption de l’IA générative au sein d’EDF, accompagnement des équipes techniques et métiers dans l’identification des usages, des outils et des bonnes pratiques permettant d’améliorer la productivité et l’efficacité des collaborateurs.

● Actions:

- Analyse et cartographie des outils et projets d’IA générative déployés ou en cours de développement.

- Rédaction d’un guide de référence présentant les usages, bénéfices et bonnes pratiques de l’IA générative pour les utilisateurs techniques et non techniques (Développeurs, Product Owners, équipes métiers).

- Recommandation des technologies et frameworks adaptés aux différents cas d’usage (LangChain, LangGraph, ADK, architectures agentiques).

- Élaboration de supports méthodologiques pour l’utilisation de l’IA générative dans les activités de développement logiciel.

- Création de questions d'entretien permettant d’évaluer les futurs développeurs qui intégreront EDF sur leur maîtrise des outils d’IA générative.

● Résultats:

- Mise à disposition d’une vision consolidée de l’écosystème IA générative d’EDF.

- Acculturation des équipes aux usages et aux bonnes pratiques de l’IA générative.

- Contribution à la structuration des futurs recrutements autour des compétences IA et des nouvelles pratiques de développement assisté par IA.

1️⃣ Audit Technique — Data Pipeline Azure

● Contexte : Une pipeline de traitement de millions de documents (images, PDFs) sur Azure n'avait jamais été auditée, avec une architecture non dimensionnée pour la croissance attendue.

● Action : Étude de profiling complet de la pipeline, production d'un PowerPoint de 50 slides (bottlenecks, gains estimés en performance/coûts/qualité) et proposition d'une architecture scalable découpée en 5 phases priorisées.

● Résultat : Feuille de route technique claire permettant au client de planifier sa montée en charge sereinement.

2️⃣ Optimisation des points critiques

● Contexte : L'audit révèle plusieurs points critiques: recherche de keywords lente, call MongoDB inefficace, OCR vieillissant, sous-optimisation des modèles GenAI & LLM, absence de similarité documentaire.

● Action : Remplacement de l'algorithme de recherche par Aho-Corasick, refactorisation MongoDB, migration vers Azure Document Intelligence, rééquilibrage de tâches LLM génériques par des modèles spécialisés (LID, NER), optimisation usage LLM via LangChain et développement d'une fonctionnalité de Text Embeddings pour le matching documentaire.

● Résultat :

- ⭐ La recherche de keywords est passée de 3h45 à 5ms pour un document de 100 pages. Gain de performance ×2.000.000 représentant ~65 000 $ d'économies par tranche de 100 000 documents. Le client peut désormais signer des contrats avec des clients d'une envergure qu'il jugeait hors de portée, en 2 semaines de développement. De plus, peut supporter la recherche de centaines de milliers de keywords + prise en charge des marques de moins de 4 lettres + évite la détection de faux positifs.

- Post-processing MongoDB est passé de plusieurs minutes à moins d'une seconde, avec un temps de stockage réduit d'un facteur 100.

- Pipeline GenAI / LLM plus rapide, moins coûteuse et plus fiable grâce aux modèles spécialisés.

- Une optimisation de matching documentaire par Text Embeddings.