Projet de fin d'études · Chef de projet IA

Oya × IA — diagnostic de reconversion vers la transition alimentaire

Comment des solutions d'IA, d'agents et de RAG peuvent servir une structure comme Oya.

Yannick Tindy · Chef de projet IA

Transition alimentaire — du champ à l'assiette Cadrage · 1 / 9

Le système alimentaire recrute, mais personne ne sait où aller.

Premier employeur de France toute chaîne confondue, le système alimentaire est paradoxalement en tension de recrutement à chaque maillon — et reste peu lisible pour qui veut s'y reconvertir.

1er
employeur de France (chaîne alimentaire complète)
~3 %
d'actifs agricoles, métiers « hyper en tension »
4
maillons en tension : production · agro · distribution · restauration

Une double tension à relier

L'enjeu d'emploi (postes non pourvus, métiers peu attractifs) rejoint l'enjeu environnemental : le système alimentaire est responsable d'une part majeure des problématiques environnementales. Les deux se résolvent ensemble — par la formation et l'orientation des talents.

Le problème vécu — deux besoins encore séparés

Beaucoup veulent « travailler dans l'alimentation durable » sans savoir vers quel métier, ni quelles compétences de leur parcours sont transférables ; les offres de formation sont dispersées et rarement personnalisées. En face, une structure comme Oya cherche à attirer et qualifier ces talents.

🏢 Le besoin d'Oya

Orienter les bonnes personnes vers les métiers de la transition, et faire de ce diagnostic un produit d'appel vers ses formations — tout en valorisant son référentiel de données.

🧭 Le besoin de la personne

Savoir vers quel métier se reconvertir, quelles compétences transférables valoriser, et être guidée avec confiance plutôt que noyée dans des offres dispersées.

Ces deux besoins ont longtemps été traités séparément — les relier est précisément là où l'IA crée le plus de valeur.

Pour le jury — en clair

Le secteur de l'alimentation cherche partout des bras et des compétences, mais les personnes qui voudraient s'y reconvertir ne savent ni vers quel métier aller, ni ce que leur expérience passée vaut dans ce nouveau monde. En face, une structure comme Oya a besoin d'attirer ces personnes et de les orienter vers ses formations.

Le projet répond aux deux à la fois : un même outil aide la personne à se projeter dans un métier concret, et aide Oya à faire connaître ses parcours. C'est ce double bénéfice — et non la technologie pour elle-même — qui justifie d'investir dans l'IA ici plutôt qu'ailleurs.

Au-delà de l'IA, ma première préoccupation a été l'expérience de la personne. Ayant moi-même vécu une reconversion, j'ai conçu le parcours autour de trois temps qui répondent à ses vraies attentes : comprendre d'où elle vient (une analyse réelle de son parcours et de ses compétences transférables), écouter où elle veut aller (poursuivre dans un secteur proche ou changer radicalement de voie — c'est elle qui choisit), et lui donner aussitôt un cap concret (un plan d'action immédiat, pas seulement une liste de métiers). L'outil n'accompagne pas un clic : il accompagne une décision de vie.

Cadrage · 2 / 9

Une jeune structure, des moyens comptés, un besoin précis.

Contexte

Oya — SAS ESUS à mission, en cours de création, issue du réseau associatif Les Cols Verts (agriculture urbaine). EdTech « de la fourche à la fourchette », parmi les rares à viser toute la chaîne quand les acteurs sont silotés.

Contraintes

  • Une personne en interne (le fondateur), équipe technique à recruter (post-levée).
  • Moyens de lancement limités → appétence no-code / low-tech.
  • RGPD sur les données apprenants ; mise en service visée à la rentrée.

L'analyse du besoin : un même outil pour deux besoins

Le choix structurant du projet : le quiz et l'analyse de CV placent l'IA exactement à l'intersection du besoin d'Oya et du besoin de la personne. C'est le choix à plus forte valeur, car un seul outil sert simultanément la stratégie de la structure et le projet de vie de l'individu.

Reformulation du besoin

« Permettre à une personne en reconversion d'identifier en quelques minutes les métiers de la transition alimentaire qui correspondent à son profil, à ses contraintes, à ses compétences transférables et à la nature de travail qu'elle souhaite vivre — qu'elle vise la continuité ou la reconversion — et de comprendre pourquoi. »

Opportunités d'usage IA

  • Diagnostic & matching profil ↔ métier : relie compétences vécues et métiers Oya, en dissociant l'acquis (compétences du CV) du désir (nature de travail visée au quiz), pondérés par la posture continuité↔reconversion.
  • Personnalisation & explicabilité : pourquoi ce métier, quels écarts à combler.
  • Agrégation de données publiques : la valeur d'Oya = le référentiel agrégé, pas la techno (posture agrégateur).

Le choix d'un seul outil pour deux besoins

Oya est une toute petite structure : une personne en interne, peu de moyens, un lancement visé à la rentrée. Construire un gros logiciel sur mesure serait irréaliste. Le choix retenu — un quiz court et une analyse de CV — est donc volontairement léger.

Sa force : il se place exactement au point de rencontre entre ce que cherche la personne (trouver son métier, valoriser son parcours) et ce que cherche Oya (qualifier des candidats, alimenter ses formations). Un seul outil sert les deux, ce qui en fait l'investissement le plus rentable pour une jeune structure aux moyens comptés.

Parcours d'orientation Oya Solution · 3 / 9

Trois briques IA au service de la reconversion.

Le quiz aide à choisir au plus près · le CV agentique fait le pont vers la reconversion en exploitant les données Oya · le RAG consolide et source l'ensemble.

Architecture du système

Le traitement agentique du CV — 5 agents séquentiels

Un prompt unique produit des résultats tièdes et génériques. Le CV est donc traité par une chaîne de 5 agents, chacun au rôle étroit et vérifiable — c'est ce qui permet de coller au plus près de la personne :

1
Extracteur · déterministe, sans LLMLit le CV PDF en mémoire (pdfplumber) et le normalise en texte — jamais écrit sur disque (RGPD).
2
Compétences · GLMRepère, parmi les 51 compétences du référentiel Oya, celles réellement attestées — avec la preuve citée dans le CV.
3
Profil · GLMDéduit le secteur d'origine et reconstitue l'identité de contact (jamais inventée) pour permettre le recontact.
4
Synthèse · GLMAssemble un récit chaleureux, sans jargon RH, qui valorise le parcours et révèle ce que la personne ne voit pas en elle.
5
Plan 90 jours · GLMTrace un plan d'action en 3 phases (cartographier · tester · engager), ancré sur les métiers réels du diagnostic.

Orchestration : extraction d'abord, puis 4 passes GLM-4.5-air focalisées (compétences · profil · synthèse · plan), chacune avec retry et repli statique — traitement asynchrone en tâche de fond (~1 à 2 min), la page rend la main aussitôt. cible : passes en parallèle + agents transversaux / soft-skills dédiés + modèle premium pour la synthèse

Pourquoi découper le travail en plusieurs agents

Demander à l'IA de tout faire en une seule fois donne des résultats vagues et impersonnels. On découpe donc l'analyse du CV en cinq petites étapes spécialisées (lire le document, repérer les compétences avec leur preuve, comprendre le profil, raconter le parcours, proposer un plan). Chaque étape a un rôle précis et vérifiable : c'est ce qui permet de coller vraiment à la personne plutôt que de produire un texte passe-partout.

Solution · 4 / 9

Le RAG : consolider et sourcer, sans halluciner.

Le RAG est la colonne documentaire du diagnostic : il transforme le corpus Oya en mémoire interrogeable, pour ancrer les réponses dans des sources réelles plutôt que dans l'invention du modèle.

Le RAG en pratique

Où le RAG agit

  • Câblé au quiz : un insight sourcé (top-k 1) enrichit le parcours.
  • Découplé du CV (choix assumé) : l'analyse agentique reste rapide et déterministe ; le brancher sur le CV = évolution EPIC-003.

Garanties

  • Dégradation gracieuse : Qdrant indisponible → réponse sans citation, jamais d'erreur.
  • Anti-hallucination : « écrire sans citation plutôt qu'inventer ».
  • Découplé : changer le corpus = ré-indexer, zéro code.

Logique de fonctionnement & choix techniques

Deux portes d'entrée — CV (5 agents) ou quiz (scoring par règles) — convergent vers un même diagnostic : 3 métiers classés, un récit, un plan 90 jours et un PDF.

Choix technologiques

  • Django multisite + Alpine.js (parcours fluide, sans SPA lourde).
  • Scoring par règles (Python pur, déterministe, traçable).
  • MiniLM 384d + Qdrant (RAG léger, multilingue).
  • GLM-4.5-air pour les agents CV · WeasyPrint pour le PDF.

🔒 RGPD & ♿ accessibilité

  • Fichier PDF traité en mémoire, jamais persisté ; le texte extrait et les données de contact sont conservés sur consentement (24 mois, purge par commande dédiée) + logs anonymisés.
  • Contrastes orientés WCAG AA, « cocher plutôt qu'écrire », navigation clavier.

Répondre à partir de vraies sources, jamais inventer

Le risque connu de l'IA est d'inventer des informations avec assurance. Pour l'éviter, le système va d'abord chercher la réponse dans les vrais documents d'Oya, puis s'appuie dessus pour répondre — en citant sa source. S'il ne trouve rien de pertinent, il préfère ne rien dire plutôt que d'inventer.

Concrètement pour le jury : chaque affirmation du diagnostic peut être rattachée à un document réel. C'est ce qui rend l'outil digne de confiance et défendable face à un public exigeant.

Démarche projet Oya Pilotage · 5 / 9

Une livraison incrémentale, testée à chaque étape.

Démarche & roadmap

Approche itérative type agile : un POC fonctionnel de bout en bout, puis 15+ incréments (V2 → V16) ajoutant fiche résultat enrichie, partage, back-office d'analytics, sécurisation. Trois EPICs de relance structurent la suite :

EPIC-001

Parcours quiz fluide mono-page (3 niveaux).

EPIC-002

Design system — charte graphique imposée.

EPIC-003

RAG opérationnel — citations sourcées CV + quiz.

91
tests automatisés (scoring · CV · webhook · intégration)
80 / 51
métiers / compétences cartographiés
15+
incréments livrés (V2 → V16)

Ressources mobilisées

Projet réalisé en solo (développeur full-stack / chef de projet IA), avec le commanditaire (Les Cols Verts) validant le scoring et le périmètre. Infrastructure conteneurisée Podman (Django multisite + Qdrant dédié), outillage QA intégré.

Une méthode : livrer petit, tester, recommencer

Plutôt que de tout construire d'un coup et de découvrir les problèmes à la fin, le projet a avancé par petites livraisons successives, chacune testée avant de passer à la suivante. Le commanditaire a validé au fur et à mesure les métiers proposés et la logique de recommandation.

Cet avancement par étapes réduit les risques et garantit qu'à chaque moment l'outil fonctionne réellement de bout en bout, plutôt que de rester une belle promesse non vérifiée. Les tests automatisés jouent ici le rôle de filet de sécurité contre les régressions.

Pilotage · 6 / 9

Coûts maîtrisés, valeur mesurable, risques anticipés.

💶 Coûts & ROI

  • Scoring déterministe : quelques ms, coût ≈ 0 €.
  • Analyse CV : ~1 à 2 min (async, 4 passes GLM), ~0,005 €/CV estim.
  • Hébergement ~100 €/mois estim.
  • ROI : quiz = produit d'appel à coût marginal quasi nul, alimentant les formations (cœur de revenu).

📊 Indicateurs de réussite

  • Implémentés : diagnostics totaux / 30 j, top métiers, secteurs, vues iframe.
  • Cibles hypothèses : complétion quiz > 60 %, clic → formation > 15 %, coût / diagnostic < 0,01 €.

Risques, limites & contraintes

⚠️ Risques

  • Dépendance LLM → repli en cascade : explication quiz Claude → Qwen → statique ; analyse CV GLM + repli statique.
  • Qualité RAG à valider → seuil cosine 0.4 + dégradation gracieuse.
  • Latence API → génération asynchrone + cache.

🚧 Limites connues

  • Dimension secteur souvent neutre (dépend du remplissage du référentiel).
  • Référentiel partiellement renseigné sur certaines colonnes.
  • Mise en production à finaliser (actions VPS restantes).

Des coûts maîtrisés et un outil qui marche toujours

Le calcul du quiz ne coûte presque rien, car il ne fait pas appel à l'IA : ce sont des règles simples qui s'exécutent en une fraction de seconde. Seule l'analyse du CV mobilise l'IA, pour quelques centimes par dossier.

Surtout, si un service d'IA est momentanément indisponible, le système bascule automatiquement sur une solution de repli : la personne obtient toujours un résultat, jamais une page d'erreur. Coûts bas et service fiable : deux conditions essentielles pour une petite structure qui démarre.

Passage à l'échelle Oya Déploiement · 7 / 9

Pensé pour grandir et s'intégrer.

Stratégie de passage à l'échelle

Cibles séquentielles sans refonte d'architecture : B2B salariés agri-agro (amorçage, dès la rentrée) → B2C reconversioncollectivités territoriales, puis ouverture multi-secteurs. Le référentiel agrégé se réutilise d'une cible à l'autre.

Intégration à l'existant

Points d'intégration livrés

  • Résultats embarquables en <iframe> (cross-origin à activer) + comptage de vues.
  • Webhook post-diagnostic (branchable sur un CRM), API JSON interne (back-office).
  • Import du référentiel en XLSX (modifiable sans dev) ; export CSV des sessions / diagnostics.

Cap : vers le LMS

  • Standards SCORM / xAPI, OpenBadges, CPF, Qualiopi-ready.
  • Posture make-or-buy : agréger les meilleurs outils (ex. Ouvre ta ferme) plutôt que recréer.

Pensé pour grandir sans tout refaire

L'outil a été conçu pour s'étendre par étapes — d'abord les salariés du secteur, puis le grand public en reconversion, puis les collectivités — sans changer sa base technique à chaque fois.

Il sait aussi se brancher sur l'existant : afficher les résultats dans un autre site, prévenir automatiquement un logiciel de suivi des contacts, et surtout mettre à jour la liste des métiers via un simple fichier Excel. Oya garde ainsi la main sur son contenu sans dépendre d'un développeur à chaque évolution.

Déploiement · 8 / 9

Adoptable sans friction, maintenable sans dev.

Dispositif d'accompagnement utilisateurs

Côté apprenant

  • Quiz 5 min, sans compte, « cocher plutôt qu'écrire ».
  • Résultat automatique ; le conseiller intervient en fin de parcours.
  • Landing + « comment ça marche » en 3 étapes.

Côté équipe Oya

  • Back-office d'analytics (diagnostics, secteurs, métiers).
  • Référentiel modifiable par le métier (admin Django, import CSV).

Plan de pérennité — maintenance & évolutions

  • Purge RGPD 24 mois par commande dédiée (planifiable en cron).
  • Ré-indexation RAG par simple commande (corpus découplé du code).
  • Fixture rechargeable du référentiel (reproductible sur environnement vierge).
  • 91 tests automatisés (scoring · CV · intégration) pour la non-régression — stabilisation de la suite en cours.

Simple pour l'utilisateur, maintenable sans informaticien

Côté utilisateur, tout vise la simplicité : pas de compte à créer, on coche plutôt qu'on écrit, et le résultat arrive automatiquement en quelques minutes.

Côté Oya, l'équipe peut faire évoluer la liste des métiers et des compétences sans toucher au code, et les données personnelles sont effacées automatiquement après 24 mois (RGPD). L'outil reste donc vivant et conforme dans la durée, sans mobiliser en permanence une compétence technique rare.

Perspectives Oya Prise de recul · 9 / 9

Ce que la solution ne fait pas (encore).

Limites identifiées

  • MVP pragmatique vs vision : scoring par règles (et non vectoriel) ; CV traité par 5 agents séquentiels (extraction + 4 passes GLM) — la cible ajoute la parallélisation, des agents transversaux / soft-skills dédiés et le RAG branché sur le CV.
  • Le matching métier↔compétence a été fiabilisé (référentiel curé + nature de travail désirée × posture, EPIC-005) ; reste la dimension secteur à consolider via le référentiel.
  • Qualité du RAG à valider empiriquement sur le corpus réel.
  • Mise en production et tests UI end-to-end à finaliser.

Améliorations & perspectives

  • Activer pleinement le RAG (EPIC-003) : corpus indexé + citations sourcées, y compris sur le CV.
  • Paralléliser les agents + passes dédiées (transversales, soft-skills) + modèle premium pour la synthèse.
  • LMS intégré + ouverture B2B / collectivités.
  • Subventions innovation (ESS) adossées au référentiel propriétaire agrégé.
En orchestrant agents et RAG autour des données d'Oya, une jeune structure aux moyens comptés offre un diagnostic de reconversion personnalisé, sourcé et explicable — là où l'IA sert vraiment le métier, sans s'y substituer.

Ce qui a été fiabilisé, et ce qui reste à faire

Honnêteté de fin de projet : certaines briques sont volontairement simples pour livrer vite, c'est le choix « MVP » assumé. Un travail important a néanmoins fiabilisé le cœur du diagnostic. Avant, un profil informatique pouvait se voir proposer « boucher » — incohérent et décourageant.

Désormais le système croise trois choses : ce que la personne sait faire (son CV), le type de travail qu'elle a envie de vivre (plein air ou bureau, manuel ou réflexion…) et son intention — valoriser son acquis ou changer complètement de vie. Les liens entre métiers et compétences ont été revus un par un. Résultat : des recommandations cohérentes et explicables. Restent à approfondir la prise en compte du secteur d'origine et la mise en production complète.

1 / 9