Plateforme de coaching professionnel alimentée par l'IA : Étude de cas Briefster

CHIFFRES CLÉS

• 15 min → 0 Temps de reformulation réduit à zéro
• 90% Taux de satisfaction utilisateur
• 600 Utilisateurs actifs sur la nouvelle solution

À PROPOS DU CLIENT

Jobmaker, actif depuis 2015, s'est imposé comme une plateforme numérique innovante dans le coaching professionnel. Partenaire de confiance d'entreprises prestigieuses comme EDF, Enedis et Orange, Jobmaker accompagne les employés dans leur développement de carrière à travers des programmes personnalisés.

DÉFI TECHNIQUE

Le défi majeur était de transformer la partie rédaction du coaching, traditionnellement chronophage, en un processus fluide et efficace. Notre mission : développer une solution IA capable de maintenir la qualité tout en éliminant les frictions dans le parcours utilisateur.

Limitations du modèle IA

• Gestion des ressources pour Mistral-7B
• Optimisation du temps de réponse
• Équilibre entre performance et coût d'infrastructure

Conformité RGPD, sécurité et AI ACT

• Anonymisation des données utilisateurs
• Sécurité du processus de fine-tuning
• Protection des informations sensibles

Qualité des données d'entraînement

• Construction d'un jeu de données représentatif
• Nettoyage et validation des données
• Tests intensifs avant déploiement

SOLUTION

Notre solution s'articule autour de trois piliers technologiques majeurs :

Préparation sophistiquée des données La qualité d'un modèle IA repose sur ses données d'entraînement. Notre équipe a développé une méthodologie rigoureuse pour construire un jeu de données de 1200 exemples. L'utilisation d'embeddings a permis de valider la pertinence des données en mesurant la similarité entre les entrées et les réponses utilisateurs, assurant ainsi la qualité du corpus d'entraînement.

Fine-tuning avancé Le cœur de notre solution repose sur Mistral-7B, un modèle de langage de pointe. Notre processus de fine-tuning via Hugging Face a été optimisé pour les spécificités de Jobmaker :

• Adaptation aux standards d'écriture professionnelle
• Respect des directives éditoriales
• Préservation de l'ADN de Jobmaker dans les reformulations

Déploiement sécurisé L'infrastructure technique a été déployée sur RunPod.io en France, assurant :

• Conformité RGPD
• Haute disponibilité
• Performance optimale

MÉTHODOLOGIE

Le projet s'est déroulé sur deux mois, mené par une équipe experte :

• 1 Ingénieur IA
• 1 Chef de Produit
• 1 Développeur

Notre processus de développement s'est structuré en trois phases clés :

Phase 1 : Préparation des données Analyse approfondie et anonymisation des données historiques, avec une attention particulière à la qualité et la représentativité du jeu de données.

Phase 2 : Fine-tuning et Développement Optimisation itérative du modèle Mistral-7B, avec des cycles de tests et d'amélioration continue basés sur les retours utilisateurs.

Phase 3 : Déploiement et Optimisation Mise en production progressive avec surveillance des performances et ajustements en temps réel.

RÉSULTATS

La solution a radicalement transformé l'expérience de coaching :

Performance technique

• Réduction du temps de reformulation de 15 minutes à une réponse instantanée
• 90% de taux de satisfaction utilisateur
• 600 utilisateurs actifs utilisant avec succès la nouvelle solution