AI-E-Learning Platform
Plateforme éducative IA qui transforme n'importe quel contenu en ressources pédagogiques variées.
Demo privée
Ce projet personnel est confidentiel. Les captures d'écran ci-dessus sont partagées avec l'accord du client.
// vue recruteur
Plateforme e-learning née d'un besoin client réel pendant mon Master 2 : permettre à n'importe qui d'apprendre n'importe quel sujet depuis un seul espace centralisé, où l'IA transforme automatiquement chaque document source en QCM, flashcards, résumés adaptatifs, mind maps, cours structurés, podcasts audio, présentations PPTX et vidéos avec avatar — le tout prolongé par un chatbot tuteur RAG. Co-construite en troc avec un ami développeur frontend ; backend, RAG, moteur IA et déploiement Kubernetes portés de bout en bout, du POC initial à une plateforme déployée et utilisée au quotidien.
- ▸Apprendre n'importe quel sujet depuis un seul espace centralisé — fini de jongler entre dix outils pour réviser, comprendre et s'entraîner
- ▸Un seul document source devient automatiquement 11 ressources pédagogiques pilotées par l'IA : QCM, flashcards, résumés adaptatifs, mind maps, cours structurés, podcasts audio, présentations PPTX, vidéos avec avatar et tuteur chat RAG — plusieurs heures de travail pédagogique remplacées par quelques minutes de génération
- ▸Démarré comme un POC d'une seule fonctionnalité, devenu une plateforme aux 11 modules à l'écoute continue du client
- ▸Utilisé quotidiennement par de vrais apprenants — feedback positif sur la pertinence du tuteur RAG
- ▸Pilotage produit autonome : recueil du besoin, conception, développement et mise en production
- ▸Pensé pour un SaaS facturé à l'usage (par document ou par session apprenant), avec une offre entreprise pour les organismes de formation et les universités
L’histoire du projet
- Chapitre 01
Un troc entre développeurs
Projet co-construit en troc avec un ami développeur frontend : lui cherchait un produit concret pour son portfolio, moi je voulais prouver un pipeline IA de bout en bout. Partage des rôles net — backend, RAG, moteur IA et déploiement Kubernetes côté moi ; expérience utilisateur et interface côté lui. Un produit livrable, deux portfolios enrichis.
- Chapitre 02
L'origine
Projet démarré pendant mon Master 2 Data Science à la Sorbonne, autour d'un besoin concret exprimé par un client e-learning : automatiser la création de contenu pédagogique. Le constat de terrain : enseignants et formateurs passent plus de temps à créer des supports qu'à réellement enseigner.
- Chapitre 03
Du POC à 11 fonctionnalités
Le POC initial faisait une seule chose : générer un quiz depuis un PDF. Le client a enchaîné les demandes — résumés adaptatifs, cours structurés, podcasts audio, vidéos avec avatar Synthesia. En six mois, la plateforme est passée de 1 à 11 fonctionnalités, toutes déclenchables depuis le même document source.
- Chapitre 04
Le défi du RAG hybride
Les documents techniques — normes, cours de droit, supports d'ingénierie — cassaient la recherche purement vectorielle : trop de jargon métier non-sémantique. Passage à un RAG hybride BM25 + vecteurs (Milvus), avec isolation stricte par user_id + session_id. La pertinence du tuteur chatbot a bondi, les apprenants ont arrêté de se plaindre de réponses à côté.
- Chapitre 05
Scalabilité et résilience
Générer un podcast de 10 minutes en synchrone tuait l'UX côté navigateur. Refonte complète : job_id + polling côté client, cache Redis 30 min, circuit breaker LLM après une panne Azure OpenAI qui avait mis le backend à genoux. Déploiement Kubernetes pour scaler horizontalement sur les pics d'usage.
- Chapitre 06
Et après ? Vers un SaaS
Le besoin marché dépasse largement le client initial : écoles, organismes de formation et plateformes e-learning cherchent tous à accélérer la production pédagogique sans sacrifier la qualité. La suite — transformer la plateforme en SaaS facturé à l'usage (par document traité ou par session apprenant), avec une offre entreprise pour les grands groupes de formation. Le moteur est déjà production-ready, il ne reste qu'à ouvrir la porte commerciale.
Après la mise en production
Monitoring & observabilité
Observabilité distribuée sur Kubernetes, suivi rigoureux des coûts LLM et monitoring temps réel des sessions live audio pour garantir la qualité d'expérience.
Stack
Métriques suivies
- ●Latence par endpoint (p50 / p95)
- ●Coût LLM par session utilisateur
- ●Taux de cache hit Redis sur les embeddings
- ●Succès de génération podcast / vidéo / PPTX
- ●WebSockets live audio actifs et durée moyenne
- ●Déclenchements du circuit breaker LLM
Impact en production
Intégré à la plateforme e-learning du client, le moteur transforme désormais n'importe quel document en parcours pédagogique complet en quelques minutes.
- ▸Un PDF unique génère automatiquement cours, quiz, mind map, podcast et vidéo — au lieu de plusieurs heures de travail manuel
- ▸Chatbot tuteur utilisé quotidiennement par les apprenants, avec mémoire de session persistante entre les questions
- ▸Isolation stricte par utilisateur : zéro fuite de contenu entre sessions, même sur les documents confidentiels
- ▸Le circuit breaker a absorbé deux pannes Azure OpenAI sans impact utilisateur visible
- ▸Déploiement Kubernetes validé sous charge : scale horizontal sans interruption de service
// résultats
// stack