MohamedMohamedMohamedMohamed TraoréTraoréTraoréTraoré

Le cœur du poste chez Enedis. Un agent adossé à un LLM auto-hébergé automatise un circuit de décision jusque-là traité à la main, en langage naturel, avec appel d’outils.

The core of the Enedis role. An agent grounded in a self-hosted LLM automates a decision workflow previously handled by hand, in natural language, with tool-calling.

La partie intéressante n’est pas le modèle, c’est ce qu’il y a autour. Chaque sortie passe par des garde-fous contre l’hallucination et une validation contre le référentiel métier : l’agent ne peut pas inventer une réponse qui n’existe pas dans les données de l’entreprise. Auto-héberger le modèle n’est pas un choix esthétique : les données ne sortent pas.

The interesting part isn’t the model, it’s what surrounds it. Every output passes through guardrails against hallucination and validation against the business repository: the agent cannot invent an answer that doesn’t exist in company data. Self-hosting the model isn’t an aesthetic choice: the data never leaves.

J’ai porté le cycle de vie complet : conteneurisation Docker, déploiement Ansible sur serveur dédié, intégration continue GitLab, analyse statique SonarQube et tests de sécurité Checkmarx avant chaque livraison.

I owned the full lifecycle: Docker containerisation, Ansible deployment to a dedicated server, GitLab CI, SonarQube static analysis and Checkmarx security testing before every release.

Migration d’une plateforme documentaire historique (vingt ans d’héritage, des dizaines d’applications partenaires) vers une plateforme collaborative cloud. J’ai conçu et industrialisé la chaîne ETL complète.

Migrating a legacy document platform (twenty years of history, dozens of partner applications) to a cloud collaboration platform. I designed and industrialised the whole ETL chain.

Des scripts Python interrogent l’API source pour inventorier l’arborescence, récupérer les métadonnées et télécharger les fichiers avec leurs pièces jointes. Le pipeline gère la déduplication, le filtrage des extensions et la résolution des collisions de noms via un suffixe dérivé de l’identifiant du document. Côté injection, PowerShell prend le relais, avec parallélisation des envois et passage en REST binaire brut pour les pièces jointes que les bibliothèques standard refusaient de traiter.

Python scripts query the source API to inventory the tree, pull metadata and download files with their attachments. The pipeline handles deduplication, extension filtering and filename-collision resolution via a suffix derived from the document identifier. On injection, PowerShell takes over, with parallelised uploads and a drop to raw binary REST for the attachments that standard libraries refused to handle.

Le tout est piloté depuis une application de bureau PyQt6 que je maintiens, avec ses environnements de préproduction et de recette, pour que la migration ne dépende pas d’une ligne de commande dans un coin.

All of it is driven from a PyQt6 desktop application I maintain, with its staging and acceptance environments, so the migration doesn’t hang on a command line in someone’s corner.

Un agent LLM, bâti sur Mistral AI, qui traduit une question en langage naturel en code PySpark exécuté sur un data lake. La sortie est contrainte en JSON et passe par des garde-fous : le modèle propose, le contrat de sortie dispose.

An LLM agent built on Mistral AI that turns a natural-language question into PySpark code executed against a data lake. Output is JSON-constrained and passes through guardrails: the model proposes, the output contract decides.

C’est le projet où j’ai compris que le sujet, avec les LLM, n’est presque jamais le prompt : c’est la surface de contact entre du texte libre et un système qui, lui, n’a pas le droit de se tromper.

This is the project where I understood that with LLMs the subject is almost never the prompt: it’s the contact surface between free text and a system that isn’t allowed to be wrong.

Architecture médaillon Bronze / Argent / Or en PySpark, avec des contrôles qualité à chaque couche, parce qu’une prévision fausse en bout de chaîne est presque toujours une donnée sale en début de chaîne.

A Bronze / Silver / Gold medallion architecture in PySpark, with quality checks at every layer, because a wrong forecast at the end of the chain is almost always dirty data at the start of it.

Par-dessus, un XGBoost entraîné sur plus de 600 000 lignes et 23 variables, R² de 0,88, suivi d’une analyse des facteurs explicatifs. Le modèle qui prédit m’intéresse moins que le modèle qui explique : sur un marché spot, savoir que le prix va monter vaut beaucoup moins que savoir pourquoi.

On top, an XGBoost trained on 600,000+ rows and 23 features, R² of 0.88, followed by an analysis of the underlying drivers. The model that predicts interests me less than the model that explains: on a spot market, knowing that the price will rise is worth far less than knowing why.

Je l’ai construite parce que les outils existants ne me donnaient ni le niveau de difficulté réel de l’examen, ni le contrôle sur le contenu. L’application couvre tous les modules, avec suivi de progression, mode révision, flashcards, test blanc chronométré et une gamification légère.

I built it because existing tools gave me neither the real difficulty of the exam nor control over the content. It covers every module, with progress tracking, a revision mode, flashcards, a timed mock test and light gamification.

La partie qui m’intéresse est en dessous. Chaque famille de question a son gabarit de génération, qui décrit les pièges à instancier, la distribution cible des réponses et le contrat de sortie en JSON. Aucune clé d’API n’est embarquée : l’application ne génère jamais une question elle-même, elles entrent uniquement par un module d’import qui valide la forme, déduplique et refuse toute question sans provenance tracée.

The part I care about sits underneath. Each question family has its own generation template describing the traps to instantiate, the target answer distribution and the JSON output contract. No API key is embedded: the app never generates a question itself, they only enter through an import module that validates the shape, deduplicates and rejects any question without traced provenance.

Le moteur adaptatif repose sur un modèle de Rasch : le niveau estimé est recalculé après chaque réponse par maximum de vraisemblance sur toute la session, et pilote le choix de la question suivante. En dessous de trente questions disponibles, il cède la place à un tirage aléatoire sans remise, parce qu’un adaptatif sur un échantillon trop mince estime surtout du bruit.

The adaptive engine is a Rasch model: the estimated ability is recomputed after every answer by maximum likelihood over the whole session, and drives the choice of the next question. Below thirty available questions it gives way to random draw without replacement, because an adaptive engine on too thin a sample mostly estimates noise.