offers.md 9.1 KB

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

  1. Souveraineté et contrôle

    • Déploiement on-prem possible, cloud hybride possible
    • Modèles open source possibles, réduction du lock-in
  2. Gouvernance et sécurité by design

    • Permissions minimales, actions contrôlées, logs, traçabilité
    • Données client isolées, politiques de rétention, conformité RGPD
  3. Time to value mesurable

    • POC court, métriques avant généralisation
    • ROI temps en heures/mois, baisse des erreurs, réduction des délais
  4. Réversibilité

    • API-first, composants standard (FastAPI, bases vectorielles), documentation
    • Possibilité de reprise interne ou par un autre prestataire
  5. 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