Projet de recherche personnel
Éducation / EdTech · 2026
Quetzal : Plateforme d'apprentissage native IA avec extraction de connaissances
Un projet personnel : une plateforme d'apprentissage propulsée par l'IA, construite autour d'un tutorat ancré dans les documents, d'évaluations adaptatives et d'une extraction de connaissances multi-modèles.
Contexte
Point de départ et environnement
Les plateformes d'apprentissage traditionnelles traitent l'IA comme une fonctionnalité rapportée après coup. Les étudiants ont besoin de systèmes qui comprennent réellement leur matériel d'étude et s'adaptent à leurs lacunes.
Défi
Contrainte principale à résoudre
Construire un moteur d'extraction de connaissances en plusieurs étapes qui décompose les documents académiques en unités de connaissance atomiques et évaluables, avec une calibration précise de la difficulté, une déduplication et des garanties de couverture sur des domaines académiques variés.
Solution
Démarche de conception et de mise en œuvre
A conçu un système d'orchestration multi-modèles contraint (OpenAI, Gemini, Anthropic) avec validation par superviseur, garde-fous anti-hallucination et calibration de la difficulté ancrée dans la taxonomie de Bloom. A intégré une correction basée sur l'OCR, des indices progressifs et des modes d'interaction socratiques.
Résultat
Impact mesurable et résultat de la livraison
Une plateforme fonctionnelle qui démontre une orchestration d'IA multi-modèles à un niveau dont je suis vraiment satisfait. L'intégration de la taxonomie de Bloom a résolu un problème de calibration que je ne pensais pas pouvoir résoudre aussi proprement.
Point clé
“Aucun modèle unique ne l'emporte sur toutes les tâches ; router selon les forces de chacun a donné de meilleurs résultats. Ajouter une validation stricte a fortement réduit les hallucinations, et la taxonomie de Bloom a rendu le contenu pédagogique généré exploitable.”
Vous travaillez sur quelque chose de similaire ? Je prends en charge un nombre restreint de missions de conseil et de freelance en IA agentique, systèmes RAG et fiabilité des LLM.