Offres Livinia
Dernière mise à jour : 2026-02-22 | Maintenu par : Augustin
Résumé
Livinia conçoit et déploie des solutions IA concrètes pour l'entreprise, avec une priorité DSI/CTO : sécurité, contrôle, intégration SI, coût total, réversibilité. L'offre est structurée en 3 piliers complémentaires :
- Data (IA prédictive, modèles statistiques, pipelines, exploitation)
- GenAI (RAG, assistants documentaires, fine-tuning LLM)
- Agents IA (orchestration de workflows, exécution contrôlée, automatisation multi outils)
Déploiement possible en local (on-premise), cloud, ou cloud hybride, selon les contraintes de sécurité et de souveraineté.
Offres principales
1) Data
Promesse DSI/CTO
Transformer des données dispersées (exports, API, historiques) en décisions actionnables, avec des modèles explicables, monitorés, et exploitables par des équipes métier.
Problèmes typiques
- Prévisions imprécises ou inexistantes (charge, volumes, délais)
- Pilotage réactif au lieu de pilotage anticipé
- KPIs non fiables car sources multiples
- Modèles "POC" non industrialisés, non maintenus, non reproductibles
Cas d'usage typiques
- Prévision de charge et planification opérationnelle
- Prévision de volumes (demandes, tickets, commandes)
- Détection d'anomalies (écarts, dérives, comportements atypiques)
- Optimisation simple (priorisation, allocation de ressources)
- Scoring (risque, probabilité d'évènement, probabilité de retard)
Ce que Livinia livre
- Audit des données réelles (qualité, biais, manquants, fréquence)
- Pipeline de préparation (nettoyage, feature engineering, jeux de données reproductibles)
- Modèles prédictifs (selon le cas : arbres de décision, boosting type XGBoost, séries temporelles, etc.)
- Backtesting + métriques (écart prévision/réel, couverture, stabilité)
- Livrables métier : courbes, tableaux simples, recommandations actionnables
- Industrialisation : jobs planifiés, monitoring, versioning du modèle, seuils d'alerte
Architecture et déploiement
- Intégration via API (REST), batch, ou évènements selon SI
- Conteneurisation Docker, déploiement on-prem ou cloud hybride selon contraintes
- Observabilité et logs pour exploitation DSI
Pré requis côté client
- Accès à des historiques minimaux (même imparfaits)
- Un sponsor métier + un référent data/IT
- Définition d'objectifs mesurables (KPI opérationnels)
Preuve publique : contribution à un projet client "aéroportuaire" centré sur de l'IA prédictive appliquée à la planification opérationnelle (prévision de charge, courbes, indicateurs, optimisation des ressources).
2) GenAI
Promesse DSI/CTO
Déployer des assistants fiables et cadrés, capables de répondre à partir de vos contenus internes (docs, bases, procédures), sans exposer vos données et sans dépendre uniquement d'un fournisseur cloud.
Problèmes typiques
- Temps perdu à chercher l'info (procédures, tickets, docs techniques, wiki)
- Connaissance enfermée dans des PDFs, mails, drives
- Support interne saturé (IT, RH, qualité)
- Risques de fuite ou de non conformité si usage "shadow AI"
Cas d'usage typiques
- Copilote documentaire interne (DSI, support, qualité, juridique, RH)
- Assistant "base de connaissances" avec citations et traçabilité
- Analyse de documents (extraction structurée, synthèse, classification)
- Génération contrôlée (mails, comptes rendus, procédures)
- Assistance à la rédaction technique (spécifications, tickets, docs)
Ce que Livinia livre
- Architecture RAG (ingestion, chunking, embeddings, retrieval, reranking si besoin)
- Base vectorielle (selon contexte : Qdrant, Weaviate, FAISS)
- APIs d'inférence prêtes prod (FastAPI)
- Evaluation : jeux de questions, taux de réponses correctes, tests de robustesse
- Sécurisation : séparation des espaces, droits, logs, politiques de rétention
- Option fine-tuning (quand la précision l'exige et que les données le permettent)
Modèles et stratégie "cloud vs self-hosted"
- Comparatifs entre modèles cloud (ex : GPT-4, Claude) et modèles self-hosted
- Modèles open source possibles (ex : Mistral, Llama, Mixtral)
- Optimisations : quantization, LoRA, pruning selon contraintes de latence et coûts
Déploiement
- On-premise si données sensibles / contraintes réseau
- Cloud hybride si besoin d'élasticité mais contrôle des données
- Gouvernance : RBAC, audit logs, intégration SI (SSO à prévoir selon environnement)
3) Agents IA
Promesse DSI/CTO
Passer de "l'IA qui répond" à "l'IA qui exécute", avec un cadre de sécurité strict : permissions minimales, scénarios autorisés, journalisation, et contrôle humain quand nécessaire.
Problèmes typiques
- Workflows manuels multi outils (copier-coller, double saisie)
- Process non standardisés (erreurs, retards, manque de traçabilité)
- Temps perdu par les équipes IT/Ops sur des tâches répétitives
- Intégrations trop lentes à développer "à la main"
Cas d'usage typiques
- Agent de support interne (triage, réponse assistée, création de tickets)
- Agent "ops" (mise à jour CRM/ERP, relances, consolidation de données)
- Agent "qualité" (contrôles, checklists, écarts, génération de rapports)
- Agent "sales ops" (qualification, enrichissement, préparation d'emails, suivi)
Ce que Livinia livre
- Conception de l'agent : objectifs, limites, états, exceptions
- Connecteurs SI : API, webhooks, bases de données
- Garde fous :
- whitelists d'actions autorisées
- scopes de permissions minimales
- validation humaine sur actions sensibles
- logs complets (qui a fait quoi, quand, sur quelle donnée)
- Mise en production : monitoring, métriques (taux de succès, escalades, erreurs)
Stack et industrialisation
- Frameworks d'orchestration / intégration possibles : LangChain, LlamaIndex
- Pipelines d'inférence + scalabilité : vLLM, DeepSpeed, multi GPU si besoin
- Cache et performance : Redis (selon besoin)
Pricing / Angles
Positionnement prix (repères DSI/CTO)
Objectif : cadrer des enveloppes lisibles et compatibles achats, avec une trajectoire POC → MVP → exploitation.
Cadrage technique et sécurité (1 à 2 semaines)
- Cartographie SI + contraintes (données, IAM, réseau, conformité)
- Choix architecture (local, cloud, hybride)
- Backlog priorisé + critères d'acceptation
- Sortie : note d'architecture + plan projet
POC piloté (3 à 6 semaines)
- Un cas d'usage, un périmètre data/doc limité
- Mesure objective (latence, précision, taux d'escalade, ROI temps)
- Sortie : démonstrateur + rapport de résultats + décision go/no go
MVP prod (6 à 12 semaines)
- Intégrations SI, RBAC, logs, monitoring, UX simple
- Robustesse (tests, gestion des erreurs, runbook)
- Sortie : déploiement + formation + transfert d'exploitation
Run et amélioration continue (mensuel)
- Monitoring, corrections, itérations de prompts/datasets, ajout de sources
- Option MLOps (versioning, drift, retrain planifié)
Angles de vente DSI/CTO
Souveraineté et contrôle
- Déploiement on-prem possible, cloud hybride possible
- Modèles open source possibles, réduction du lock-in
Gouvernance et sécurité by design
- Permissions minimales, actions contrôlées, logs, traçabilité
- Données client isolées, politiques de rétention, conformité RGPD
Time to value mesurable
- POC court, métriques avant généralisation
- ROI temps en heures/mois, baisse des erreurs, réduction des délais
Réversibilité
- API-first, composants standard (FastAPI, bases vectorielles), documentation
- Possibilité de reprise interne ou par un autre prestataire
Exploitabilité
- Monitoring, runbook, alerting
- Approche "prod ready", pas juste un POC
Cas clients / Preuves
Cas client (public) : IA prédictive planification opérationnelle (secteur aéroportuaire)
- Prévision de charge, courbes, indicateurs, optimisation de ressources
- Pipeline data réel (exports, APIs, historiques), backtesting, livrables exploitables
Preuves techniques (public)
- Agents IA métier basés sur RAG, fine-tuning LLM, déploiement en local et cloud hybride
- Stack mentionnée : FastAPI, LangChain, LlamaIndex, Qdrant/Weaviate/FAISS, vLLM/DeepSpeed, optimisations quantization/LoRA/pruning
Preuves internes (à documenter en "one-pagers")
- Outils internes IA pour automatiser des tâches (gestion commerciale, analyse, génération de documents, suivi)
- Benchmarks cloud vs self-hosted (qualité, latence, coûts)
Notes pour l'agent
- Charger uniquement si
brand: livinia dans le brief
- Ne jamais mélanger avec du contenu Livinweb (FR10)
- Adapter au public DSI/CTO : sécurité, conformité, IAM, intégration SI, coût total, exploitation, réversibilité
- Toujours pousser une structure "Cadrage → POC mesuré → MVP prod → Run"
- Toujours préciser le mode de déploiement visé : local, cloud, hybride
- Toujours proposer des garde fous agents (permissions minimales, whitelists, validation humaine, logs)
- Éviter le jargon marketing : parler résultats, risques, contrôles, architecture, métriques