Technologies : n8n Python Ollama Coolify Docker GitHub API

Besoin client : Accélérer fortement la validation de marché pour des idées de SaaS. Le processus manuel était trop lent et les API d’IA publiques coûtaient trop cher pour des tests massifs. Objectif : transformer une idée brute en Landing Page déployée automatiquement, sans intervention humaine.

Solution : J’ai conçu une architecture micro-services avec n8n et un hébergement self-hosted.

• IA Locale (Ollama) : Modèles open-source Mistral & Llama 3 optimisés sur le VPS. L’un analyse saturation du marché et pain points, l’autre génère le contenu Markdown.
• Orchestration (n8n + Python) : Workflow en lanes pour isoler les erreurs. Création d’un micro-service Python avancé connecté à Google Trends.
• DevOps : Webhooks vers Coolify déclenchant des builds Docker automatiques après validation IA.

Impact : Quasi-suppression des coûts IA, automatisation complète du cycle (Recherche → Rédaction

Technologies clés : n8n (Advanced AI Nodes) Python (Code Node) Qdrant/Pinecone OpenAI Whatsapp/Telegram/Slack

Besoin client : Créer un assistant capable de répondre aux questions sur les procédures internes (PDF, Notion) sans hallucinations, tout en restant entièrement maintenable et modifiable visuellement, sans code opaque.

Solution : J’ai construit une architecture RAG basée uniquement sur les composants LangChain natifs de n8n, avec Python pour le nettoyage.

• Agent conversationnel : AI Agent n8n utilisant un Vector Store Retriever comme outil principal et une mémoire Window Buffer pour des échanges contextualisés.
• Base de connaissances : Les documents sont ingérés via un workflow n8n dédié. Un script Python nettoie le texte (headers, footers, encodage) avant vectorisation. Les vecteurs sont stockés dans Qdrant/Pinecone et interrogés directement par n8n.

Impact : Réponses strictement basées sur le contexte fourni.

Technologies : n8n Python (Selenium/Playwright) Pandas PostgreSQL HubSpot/Airtable

Besoin client : Construire une base de prospection très qualifiée à partir de sources publiques complexes (Google Maps, annuaires, LinkedIn). Les outils no-code échouaient sur les sites dynamiques, et l’extraction manuelle était impossible. Il fallait aussi nettoyer et normaliser les données avant intégration au CRM.

Solution : J’ai créé un pipeline ETL où n8n coordonne et Python extrait les données. Un script headless (Selenium/Playwright), lancé dans un conteneur Docker éphémère, gère navigation et JS. Les données sont ensuite nettoyées via Pandas (doublons, emails, adresses). n8n vérifie l’existence du lead dans PostgreSQL puis l’envoie au CRM (HubSpot/Airtable) et notifie l’équipe.

Impact : Traitement de 1000+ leads/jour, 90% d’erreurs en moins, 15h hebdo gagnées pour l’équipe commerciale.

Développement d'une application web collaborative complète (Full-Stack Next.js 14 / TypeScript) permettant aux utilisateurs de créer, gérer et explorer des arbres généalogiques privés.

Fonctionnalités Clés Livrées :

Intégration IA (RAG) : Implémentation d'un agent conversationnel RAG (Retrieval-Augmented Generation) utilisant Ollama (LLM local) et Supabase Vector (embeddings) pour interroger le contenu de l'arbre familial (biographies, dates, relations) de manière contextuelle.

Stack Moderne & Robuste : Utilisation de Next.js App Router, Supabase (Auth, Postgres, RLS, Storage) pour une architecture scalable, rapide et sécurisée.

Sécurité et Multi-Tenant : Gestion des familles et des membres avec un contrôle d'accès strict via les Row Level Security (RLS) de Supabase pour garantir la confidentialité des données.

CI/CD et Déploiement Conteneurisé : Mise en place d'un pipeline de CI/CD complet avec GitHub Actions et Docker,

https://github.com/koatiromeo/family-tree-app

Contexte du Projet Le client voulait une application IA pour détecter les maladies des plantes à partir d’images.

Mon Apport Développement du modèle IA (CNN, TensorFlow)

Détection des maladies sur des images de feuilles avec 93 % de précision. Développement d’une API FastAPI

Interface permettant d’envoyer des images et d’obtenir un diagnostic instantané. Optimisation et Déploiement sur Appareil Mobile

Compression du modèle pour un fonctionnement offline sur mobile. Résultats Amélioration de 70 % de la rapidité des diagnostics. Réduction de 50 % des pertes agricoles grâce à une détection précoce.

Contexte du Projet Le client voulait une plateforme de gestion immobilière qui permette aux propriétaires, agences et locataires de suivre les annonces, gérer les paiements et automatiser les contrats. L’objectif principal était de faciliter la mise en relation entre les acteurs de l’immobilier tout en garantissant un haut niveau de sécurité et d’efficacité.

Mon Apport dans le Projet Développement Backend avec Django & PostgreSQL

Création d’une API REST robuste pour la gestion des annonces, des utilisateurs et des paiements. Intégration d’une base de données relationnelle PostgreSQL pour gérer efficacement les transactions et les relations entre les entités (propriétaires, locataires, annonces, paiements). Développement Frontend avec React

Création d’une interface utilisateur fluide et responsive permettant une navigation intuitive. Intégration d’un système de filtrage avancé pour faciliter la recherche des biens immobiliers. Intégration des Paiements Sécurisés

Contexte du Projet Une entreprise souhaitait une plateforme de formation en ligne pour héberger des cours interactifs, gérer les inscriptions et suivre la progression des étudiants.

Mon Apport dans le Projet Développement du LMS avec Laravel & Vue.js

Système de gestion des cours, des examens et des certifications. Interface intuitive permettant aux formateurs d’ajouter du contenu facilement. Système de Suivi des Étudiants & Gamification

Intégration d’un tableau de bord analytique pour suivre les progrès. Ajout d’un système de badges et de certificats pour motiver les étudiants. Sécurisation et Scalabilité

Authentification avec OAuth 2.0 et gestion des sessions avec Redis. Hébergement sur AWS avec auto-scaling pour supporter des milliers d’utilisateurs. Technologies Utilisées Laravel pour le backend. Vue.js pour le frontend. MySQL pour la base de données. AWS S3 & CloudFront pour la gestion des fichiers. Résultats Augmentation de 60 % de l’engagement des étudiants grâce à la gamific

Contexte du Projet Dans un marché du travail en perpétuelle évolution, les entreprises reçoivent des centaines, voire des milliers de candidatures pour chaque poste ouvert. Le tri manuel des CV est une tâche chronophage et sujette aux biais humains.

Un client, une entreprise spécialisée dans le recrutement, souhaitait automatiser l’analyse et la sélection des CV en utilisant un système basé sur l’IA. L’objectif était d’aider les recruteurs à filtrer automatiquement les meilleurs candidats en fonction de critères spécifiques :

Compétences techniques et soft skills. Expérience et pertinence du profil. Correspondance avec la culture de l’entreprise. L’outil devait également générer un scoring pour chaque candidat, permettant aux RH de prendre des décisions plus rapidement et efficacement.

Mon Apport dans le Projet

1. Conception du Modèle IA pour l’Analyse des CV Développement d’un modèle NLP (Natural Language Processing) basé sur spaCy et BERT pour analyser le contenu des CV etc..