Document intelligence · Évaluation LLM · Finance & juridique
Industrialisation de solutions IA
J'accompagne les équipes finance et juridique dans leurs projets IA (extraction documentaire, RAG, agents), avec les garanties qu'exige un système en production : évaluation chiffrée, traçabilité, supervision humaine.
Sébastien MOUGEL
Président, ingénieur IA
- 25 ans d'ingénierie logicielle, data et IA
- Document intelligence en finance et juridique
- Basé à Nancy, missions à distance
Offres
Trois façons de travailler ensemble
Audit de fiabilité LLM / RAG
Votre système répond, mais à quel point peut-on s'y fier ? Je mesure sa qualité sur vos propres données (précision, rappel, complétude), identifie les causes d'erreur et priorise les corrections.
Quelques semaines · livrable chiffré
Du démonstrateur à la production
Une vraie architecture logicielle (API, tests automatisés, CI/CD, déploiement cloud ou sur site), un harnais d'évaluation, la journalisation et la supervision humaine : ce qu'il faut pour qu'un prototype tienne en production, y compris face aux exigences de l'AI Act.
Au forfait · par étapes
Expertise NLP, LLM et agents
Un ingénieur senior dans votre équipe : extraction d'information dans des documents, retrieval hybride, assistants de recherche documentaire, agents.
En régie · à distance depuis Nancy
Réalisations
Ce que j'ai construit
Document intelligence en finance
Extraction d'information et recherche documentaire sur des corpus juridiques et financiers, avec une évaluation systématique de la qualité : précision, rappel, complétude.
Résultat : un F1-score de 92 %, mesuré type de clause par type de clause sur un jeu de référence annoté.
Aucun texte inventé, par construction : le modèle ne réécrit jamais une clause, il indique où elle se trouve, et c'est le texte original du document qui est restitué. Une première passe large ne laisse rien échapper, une seconde écarte le bruit, et des règles déterministes rattrapent ce que le modèle aurait manqué.
SEOCopilot : recherche sémantique à grande échelle
Ancien produit SaaS de Beyond1, soutenu par Bpifrance pour son caractère innovant. Embeddings et clustering sur plus de 3 millions de requêtes Google distinctes issues de sites clients.
Data engineering pour de grands comptes
Plateforme IoT chez Engie, datalake RH chiffré chez Wendel, sur Azure.
Méthode
Mon approche
Du code de production, pas des notebooks
Un système IA reste un logiciel. Architecture maintenable, tests automatisés, intégration continue, supervision, sécurité : j'applique les standards d'une équipe logicielle, du premier prototype à la mise en production.
Mesurer avant d'affirmer
Chaque système est livré avec son jeu d'évaluation et ses métriques. J'annonce ce qu'il sait faire, et ce qu'il ne sait pas faire.
La fiabilité avant l'autonomie
Workflows contraints et routage déterministe. En cas d'incertitude, le système passe la main à un humain plutôt que d'inventer.
Traçable et auditable
Chaque décision est journalisée et peut être rejouée : c'est ce qui permet de corriger, d'expliquer, et de répondre aux exigences de l'AI Act.
Vos contraintes d'abord
Cloud ou on-premise, modèles open source ou propriétaires, inférence locale si vos données ne doivent pas sortir.
R&D
Higgins
Je développe Higgins, une plateforme d'agents IA qui privilégie la fiabilité sur l'autonomie : chaque décision d'agent est traçable et rejouable, et l'agent transfère à un humain quand il n'est pas sûr.
Le projet est en développement actif. J'en documente les choix d'architecture et les limites sur le blog.
Un démonstrateur à passer en production ?
Décrivez-moi votre projet et vos contraintes.