Marketplace Explorez plus de 6 000 automatisations IA pour développer votre activité.

Visualisation des connaissances en science ouverte pour le monde académique

EdTech/Recherche – Gestion des connaissances & RAG

Plateforme SaaS de cartographie des connaissances pour la recherche académique : automatisation des revues de littérature, documentation centralisée, visualisations interactives.

-70%

Temps de revue de littérature

+60%

Efficacité de la recherche

1000+

Utilisateurs académiques

98%

Couverture d'automatisation

Impact gestion des connaissances

Agents IA avancés pour la recherche académique et la structuration des connaissances

Détails du projet

Client

Weeki.io

Secteur

EdTech/Recherche – Gestion des connaissances & RAG

Année

2020–2023

Technologies clés

PyTorchLangChainNeo4jElasticsearch

Mission

Senior Lead Data Scientist – Gestion des connaissances & RAG

Agent IA & MLOps

Expérience fondateur / Paris, France

Développement d'agents IA : intégration d'embeddings vectoriels et d'auto-encodeurs pour structurer des cartes de connaissances multi-niveaux. Intégration LLM + RAG : réponses contextualisées (+ poids d'attention basés sur les transformers). Automatisation des workflows : ingestion, traitement et enrichissement via l'automatisation de DAGs.

Contexte et environnement

Weeki.io développait une plateforme SaaS centrée sur la connaissance, dédiée aux équipes data, R&D et produit. La complexité des sources hétérogènes (PDF, vidéos, extraits de code, bases de données scientifiques) combinée aux environnements collaboratifs multi-agents nécessitait des agents IA avancés pour la structuration des connaissances.

Équipe

Expérience fondateur / Senior Lead Data Scientist

Environnement

PyTorch avec Neo4j (graphes), Elasticsearch (recherche vectorielle), orchestration Airflow/N8N

Objectifs clés

1Embeddings vectoriels et auto-encodeurs pour la structuration de cartes de connaissances multi-niveaux

2Intégration LLM + RAG avec poids d'attention basés sur les transformers pour des réponses contextualisées

3Automatisation complète des workflows via DAGs (Airflow, N8N) avec 98 % de couverture d'automatisation

4-70 % de temps de revue de littérature et +60 % d'efficacité de recherche pour plus de 1 000 utilisateurs académiques

5Environnement collaboratif multi-agents avec agents spécialisés déployés via API, UI ou messagerie

Technologies et infrastructure

PythonPyTorchPyTorch LightningLangChainHugging FaceNeo4jElasticsearchMLflowGitHub ActionsDockerAirflowN8N

Prêt à obtenir des résultats similaires ?

Discutons de comment nous pouvons générer un impact mesurable pour votre organisation.

Autres études de cas

Découvrez comment nous générons des résultats dans tous les secteurs

MLOps GenAI & LLM en production à grande échelle

Retail/MLOps

Industrialisation de modèles ML & GenAI du POC à la production sur GCP avec Kubernetes, observabilité (Datadog), sécurité (Vault) et automatisation CI/CD pour de multiples produits propulsés par LLM.

Packitoo

Optimisation des prix et des revenus par l'IA

Manufacturing/Pricing

Scoring de propension et simulateur tarifaire what-if utilisant XGBoost avec explicabilité SHAP/LIME, permettant aux équipes commerciales d'optimiser les marges avec des corridors de prix actionnables.

Révolutionner l'engagement collaborateur grâce à l'IA explicable

HR Analytics

ML avancé (XGBoost, LightGBM, SHAP, LIME) sur 25 ans de données RH : insights actionnables, rétention ciblée, tableaux de bord clairs, recommandations transparentes.