Space Coders Agency

Projet de fin de formation Chef de projet IA (Wild Code School / Iliad). En tant que Teacher Assistant, j'ai observé les défis quotidiens de la formation numérique intensive pendant plusieurs mois. Problématiques terrain identifiées : • Formateurs : 6-8h pour créer une quête (jusqu'à 12h pour sujets complexes), ratio 70% préparation / 30% accompagnement • Apprenants : 1/3 se sentent en retard, 1/4 s'ennuient avec les exercices standards, demande de retours instantanés • Managers : détection tardive des décrocheurs (semaine 8-10 sur 12), manque de métriques objectives Démarche Design Thinking en 5 phases : 1. Empathie — Interviews de 8 formateurs, 42 apprenants et 3 managers 2. Définition — Formalisation de la problématique : "Comment automatiser la création de contenus personnalisés tout en préservant l'accompagnement humain ?" 3. Idéation — Brainstorming collaboratif sur Miro avec l'équipe Iliad et formateurs du campus Lyon 4. Prototypage — MVP avec 3 agents spécialisés testés sur 5 quêtes réelles (JavaScript, React, Node.js, DevOps, BDD) 5. Tests — Validation avec 12 apprenants volontaires et 3 formateurs évaluateurs

Développement mené en autonomie totale sur 7 mois (mars-octobre 2025) dans un contexte de contraintes fortes : le redressement judiciaire de la Wild Code School excluait tout financement additionnel. Méthodologie hybride : • Planification macro avec PERT/Gantt — 6 phases : Fondations, Production, Monitoring, RL, Extension, Optimisation • Exécution agile avec Scrum adapté — sprints hebdomadaires, Definition of Done explicite, daily stand-up écrit • 5 rôles incarnés en rotation : Chef de projet, Data Engineer, Data Scientist, Architecte, Dev Frontend Outils et gouvernance : • GitHub Projects en mode Kanban (To Do → Ready → In Progress → In Review → Done) • Milestones mensuels (V1.0, V2.0...) alignés sur les jalons PERT • Risk-Driven Development : identification des risques en amont, matrice Probabilité × Impact, plans de mitigation Application de monitoring custom développée en parallèle avec 6 dashboards temps réel : Système (CPU, RAM, uptime), Agents IA (latence, erreurs), RL (rewards, convergence), RAG (qualité embeddings), Benchmarks LLM, Business (adoption, ROI).

Architecture multi-agents conçue pour la scalabilité et la maintenabilité, avec exécution locale des LLM pour maîtriser coûts et confidentialité des données. Design Pattern BaseAgent : Tous les agents héritent d'une classe abstraite commune imposant un contrat unique : validation de la demande, enrichissement RAG, formatage de sortie. Chaque agent ajoute ses spécificités : prompt système adapté, outils métier (génération DAG Airflow, recommandations modèles, etc.). 9 agents spécialisés : Data Analyst, Data Scientist, Data Engineer, AI Engineer, DevOps, Web Designer, Cybersecurity, QA Engineer, Cloud Architect. Orchestration LangGraph : Workflow en 7 nœuds (validation → enrichissement → sélection modèle → génération → contrôle → formatage → output) avec retry automatique et fallback vers modèle alternatif. Taux de succès >95%. Pipeline RAG hybride : Recherche dense (embeddings all-MiniLM-L6-v2) + sparse (BM25) avec reranking MS MARCO. Base de ~15 000 chunks. Cache Redis avec TTL 30 jours. Reinforcement Learning — De Q-Learning à LinUCB : Le Q-Learning tabulaire montrait ses limites (1 500 états, convergence lente, pas de généralisation). LinUCB (bandit contextuel) apprend 3× plus vite, généralise entre situations proches, et utilise 23× moins de mémoire.

Infrastructure containerisée avec CI/CD complète, interface accessible et conformité réglementaire (RGPD, RGAA 4.1). Infrastructure & CI/CD : • Architecture Docker Compose multi-services avec orchestration des dépendances • Pipeline GitHub Actions : lint, tests, build, déploiement automatisé • Observabilité intégrée : logs structurés, métriques Prometheus, alertes Interface utilisateur : • React avec architecture composants modulaire et states management optimisé • Accessibilité native WCAG 2.1 / RGAA 4.1 : navigation clavier, contrastes, alternatives textuelles • Modes light/dark, internationalisation (FR/EN) • Parcours UX simplifié : choix agent → sujet → options → génération en streaming (SSE) Conformité & Qualité : • RGPD : registre des traitements, base légale, minimisation, exercice des droits • Cybersécurité : authentification JWT, RBAC, scans SCA en CI, CORS/CSRF/XSS protections Tests A/B rigoureux sur 14 jours (320 sessions) avec répartition aléatoire stratifiée par niveau. LinUCB adaptatif vs hyperparamètres statiques : amélioration significative sur tous les indicateurs (p<0.01).

Le résultat final : une plateforme complète de génération de quêtes pédagogiques personnalisées, utilisable par les formateurs de la Wild Code School. Parcours utilisateur : 1. Sélection de l'agent spécialisé (Data Engineer, DevOps, etc.) 2. Choix de la technologie parmi le catalogue (50+ technologies disponibles) 3. Configuration des options (niveau, durée, nombre d'exercices) 4. Génération en streaming avec affichage temps réel 5. Export et intégration dans Odyssey (plateforme pédagogique WCS) L'interface intègre également un chatbot conversationnel pour affiner les demandes et un système de feedback pour l'amélioration continue via LinUCB.