Exemplia : cas d'usage d'IA en entreprise sur modèles locaux
Exemplia — exemples de référence des cas d'usage d'IA les plus fréquents en entreprise, sur modèles locaux, avec garde (filtres d'entrée et de sortie), évaluation et observabilité intégrées.
Tous les exemples partagent une entreprise fictive neutre, « Entreprise Exemple » (produits génériques, clients, commandes, tickets, quelques documents), et une application web FastAPI.
Site de documentation : https://tekio.org/exemplia/ — chaque exemple y est expliqué (ce qu'il fait, son déroulé pas à pas, son schéma de composants), avec l'architecture, l'installation, les résultats d'évaluation et un lexique. Le site est construit à partir des fichiers Markdown de ce dépôt.

Exemples
| Exemple | Ce qu'il fait | Mise en œuvre | Documentation |
|---|---|---|---|
| Service client | Consulte les commandes et prépare des actions que le client confirme. | Appel d'outils sur PostgreSQL, éligibilité en Python, garde et LLM juge. | service_client |
| RAG documentaire | Questions sur les documents internes, avec citations et droits d'accès. | Qdrant dense + BM25, fusion RRF, reranker ONNX, filtre d'accès dans la requête. | rag |
| Conformité | Vérification d'un contrat règle par règle contre un référentiel. | Sortie structurée Pydantic par règle, citation vérifiée par le code. | conformite |
| Analyse de données | Questions en langage naturel traduites en SQL exécuté en lecture seule. | Validation sqlglot (SELECT unique, tables autorisées), rôle lecteur. | analyse_donnees |
| Tri des tickets | Classification des tickets : ML classique contre LLM, cycle MLOps. | scikit-learn, CamemBERT fine-tuné, LLM ; runs comparés, alias champion. | tri_tickets |
| Workflow d'agents | Traitement d'un email : workflow déterministe ou agent orchestrateur. | Graphes LangGraph, pause avant envoi, checkpointer PostgreSQL. | workflow_agents |
| Garde — module transverse | Filtres d'entrée et de sortie, appliqués à tous les exemples. | Règles, Presidio, Llama Guard 3, LLM juge ; verdicts tracés dans MLflow. | garde |
Hors application web : Vertex AI + Gemini, appel minimal d'un modèle cloud.
Démarrage
Prérequis : Python 3.12, uv, Docker, Ollama.
make setup # dépendances, services Docker, modèles Ollama, données de l'entreprise et index
make start # application web sur http://127.0.0.1:8000
make stop # arrête les services ; les données restent dans les volumes Docker
make sans argument liste les cibles disponibles.
make setup installe le groupe gpu (PyTorch, transformers) : c'est la configuration de référence.
Sans carte graphique :
make setup-cpu # même installation, sans PyTorch
Tous les exemples fonctionnent alors, à deux exceptions près : le fine-tuning de CamemBERT
(make experiences) et le classifieur d'injection de la garde.
Documentation
| Document | Contenu |
|---|---|
| Installation et exécution | détail des cibles make, variante sans GPU, modèles par défaut, contexte Ollama |
| Architecture | principes, vue d'ensemble, briques techniques, modules transversaux, arborescence |
| Évaluation et résultats | tests, jeux d'évaluation, scores mesurés avec les modèles locaux |
Licence
MIT — Xavier Manach.
Le site
- Exemples : pour chaque cas d'usage, une page de présentation (besoin, fonctionnement, schéma des composants, lancement, évaluation, limites) et une page « Comment ça marche ? », le texte affiché dans l'application.
- Architecture : principes, briques techniques, et les modules partagés par tous les exemples : garde, LLMOps, socle.
- Utiliser : installation, modèles par défaut, GPU plus petit, tests et résultats mesurés.
- Lexique : les sigles et les noms d'outils cités.
Le code est sur GitHub : github.com/xavinsky/exemplia. Ces pages sont tirées directement de sa documentation.