ATELIER Ops

Contexte

Ce que j’ai construit

• Un LoRA MLX sur Qwen3-4B quantifié qui extrait les champs du brief ; il n’est utilisé que si le brief est structuré, sinon le modèle de base répond.
• RAG hybride : embeddings E5 en ONNX, FTS5/BM25, fusion RRF, filtrage par espace avant classement.
• Contrats de sortie Pydantic, contrôles de citations, de durée, de débit de parole et de chiffres non sourcés.
• Vérification automatique de chaque affirmation face au passage cité : cross-encodeur multilingue réimplémenté en NumPy sur CPU, sans PyTorch, 1,3 s par phrase. Une affirmation non soutenue bloque la validation tant qu’un relecteur ne l’a pas corrigée ou confirmée.
• Multi-utilisateur : comptes (mots de passe scrypt), quatre rôles par espace, sessions avec CSRF, jetons d’API pour CLI et MCP ; isolation entre espaces testée, y compris par identifiants forgés.
• Révisions, approbation nommée, invalidation si une source change ; temps machine et humain horodatés, export CSV et protocole de mesure ; FastAPI, file persistante, verrou GPU.

Architecture 7 briques

1. 01 · EntréeBriefObjectif, public, canal, durée ; sinon, demande de précisions
2. 02 · ModèleExtractionQwen3-4B + LoRA si brief structuré, sinon modèle de base
3. 03 · DonnéesRecherche hybrideE5 (ONNX) et FTS5/BM25, fusion RRF, filtrée par espace
4. 04 · ModèleRédactionModèle de base : accroches, scènes minutées, voix-off, sources
5. 05 · OutilContrôlesPydantic, chaque phrase face à sa source (cross-encodeur CPU), durée, débit de parole, chiffres
6. 06 · HumainValidationRôles par espace, approbation nommée, invalidée si une source change
7. 07 · SortieExportDossier Markdown ; exporter n’est pas publier

Fabrication 6 étapes

1. BriefObjectif, public, canal, durée.
2. ExtractionLoRA si brief structuré, sinon modèle de base.
3. RechercheCharte, fiche produit, notes de l’espace.
4. RédactionAccroches, scènes minutées, voix-off, sources.
5. ContrôlesChaque phrase face à sa source, durée, chiffres, promesses.
6. ValidationRévision, approbation nommée, export.

Décisions le choix, la raison, l’alternative écartée

1. D1
   Deux rôles pour le LLM : un LoRA pour extraire le brief, le modèle de base pour rédiger.

   La tâche stable s’apprend dans les poids ; les faits changeants des marques restent dans la base documentaire.

   ÉcartéUn seul modèle affiné pour tout, faits compris.

2. D2
   Router vers le LoRA seulement si le brief compte au moins trois libellés explicites.

   Mesuré sur sondes inédites : en formulation libre, le modèle de base fait mieux (4/6 champs corrects contre 3/6) ; le routeur confie chaque brief au meilleur des deux.

   ÉcartéImposer l’adaptateur à tous les briefs.

3. D3
   Vecteurs en float32 dans SQLite, recherche exacte fusionnée à FTS5/BM25 par RRF.

   Adapté à un corpus local modeste ; un grand volume justifierait un index vectoriel dédié et ses mesures.

   ÉcartéUne base vectorielle dédiée dès le départ.

4. D4
   Aucun dossier simulé à la place d’une réponse invalide : JSON validé, une seule tentative de correction.

   Une erreur visible vaut mieux qu’un faux dossier présentable.

   ÉcartéCombler les trous avec un gabarit.

5. D5
   Pas de relance silencieuse : au redémarrage, les tâches en cours passent à « interrompues ».

   Une action interrompue se relance explicitement ; la file en attente, elle, est conservée.

   ÉcartéUne reprise automatique.

6. D6
   Vérifier chaque phrase face au passage cité avec un cross-encodeur réimplémenté en NumPy, sur CPU.

   Une citation existante ne prouve pas que la phrase dit vrai : la vérification fait passer la précision « soutenue » de 0,41 à 0,90 et signale 96 % des phrases fausses ou partielles, pour 1,3 s par phrase et sans PyTorch.

   ÉcartéContrôler seulement l’existence de la citation.

Résultats

Livrables 6

• Application web locale multi-utilisateur (FastAPI, interface responsive) : comptes scrypt, quatre rôles par espace, CSRF, jetons ; serveur MCP authentifié à 4 outils.
• Vérification automatique affirmation ↔ source, statuts par phrase dans l’interface et l’export ; temps machine et humain horodatés, export CSV et protocole de mesure.
• Adaptateur LoRA v3 (2,6 Mo, 160 étapes) et sa carte de modèle, base et LoRA comparés sur chaque protocole.
• Deux dossiers exportés : LaRefVlog et le jeu d’exemple « Nacre ».
• 30 tests automatisés (isolation par identifiants forgés comprise) et recette navigateur 12 / 12 ; rapports d’entraînement et d’évaluation en JSON.
• Présentation interactive du projet, consultable hors ligne.

Environnement

Reproduire commandes du README

Code privé : accès en lecture sous accord de confidentialité, ou démo en direct de 30 minutes. Demander l’accès →

python3 -m venv .venv
.venv/bin/pip install -r requirements-lock.txt
.venv/bin/pip install --no-deps -e '.[dev]'
.venv/bin/atelier download
.venv/bin/atelier seed
.venv/bin/atelier serve
.venv/bin/python -m pytest tests -q

• Testé sur macOS Apple Silicon (M1 Pro, 16 Go) avec MLX.
• Le premier téléchargement des poids pèse plusieurs Go ; ensuite, aucune API externe.

Galerie 6

ATELIER Ops01 / 06

ATELIER Ops02 / 06

ATELIER Ops03 / 06

ATELIER Ops04 / 06

ATELIER Ops05 / 06

ATELIER Ops06 / 06