Stack · IA & données
LLM & agents
IA agentique en production : agents, conversation avec les documents, RAG, extraction structurée et classification.
3 expériences2 défis
Mon expérience
Le pipeline de Filetable (classification, extraction structurée, traçabilité de chaque valeur), les suggestions de traduction de Branchlate, et les recommandations de Swelv, où le modèle cherche lui-même dans le catalogue.
Où je l'ai utilisée
Les défis
- Des files et des priorités : orchestrer des milliers de documents avec TemporalUn document traverse une dizaine d'étapes d'OCR, d'IA et de SQL. Le vrai défi n'est pas de les enchaîner, c'est de décider qui passe en premier.7 min
Filetable - Un RAG sans vecteurs : le modèle cherche lui-même ses livresChaque mois, cinq livres choisis pour chaque lecteur. Le modèle n'invente aucun titre : il interroge le catalogue avec des outils, et le code vérifie tout.6 min
Swelv
Dans la même famille
Claude CodeClaude CodeMon outil de tous les jours pour coder, tester et relire, cadré par des règles écrites et jamais livré sans relecture.Utilisé chezFiletableSwelvVoir le détail →OCROCRLecture des scans et photos, découpage automatique des PDF multi-documents.Utilisé chezFiletableVoir le détail →PostgreSQLPostgreSQLModèles relationnels flexibles, migrations sans interruption de service, données traçables et auditables.Utilisé chezFiletable
BranchlateSwelv
OneDoc
ID QuantiqueVoir le détail →
FiletableSwelvVoir le détail →OCROCRLecture des scans et photos, découpage automatique des PDF multi-documents.Utilisé chezFiletableVoir le détail →PostgreSQLPostgreSQLModèles relationnels flexibles, migrations sans interruption de service, données traçables et auditables.Utilisé chezFiletableBranchlateSwelvOneDocID QuantiqueVoir le détail →