Projets de fin d’étude

La Réponse Optimale en Un Click

Prompt Booster & Smart AI améliore instantanément la qualité des interactions avec l’IA. Comme la majorité des prompts sont mal formulés ou manquent de contexte, l’outil reformule automatiquement la demande et clarifie l’intention pour obtenir des réponses réellement pertinentes.

Un tableau de bord simple, doté de dix paramètres prédéfinis, permet d’ajuster rapidement le contexte métier, le format ou l’audience. En quelques clics, un prompt vague devient une instruction structurée et précise, garantissant une qualité de réponse nettement supérieure.

Smart AI sélectionne ensuite le modèle de langage le mieux adapté à la tâche, en fonction des forces de chaque LLM. Qu’il s’agisse de code, de recherche factuelle ou d’analyse, l’outil choisit automatiquement le modèle optimal pour fournir la réponse la plus fiable.

qA_Ap est un moteur de recherche intelligent basé sur un chatbot, capable de répondre à des questions à partir de documents locaux ou privés.

Il s’appuie sur la technologie RAG (Retrieval-Augmented Generation), qui interroge directement les documents fournis par l’utilisateur pour générer des réponses précises et contextualisées.

L’interface de dialogue est propulsée par un LLM (Large Language Model), c’est-à-dire un modèle d’intelligence artificielle entraîné sur de grandes quantités de texte, comme ChatGPT.

L’ensemble fonctionne en local, sans besoin de connexion externe, ce qui garantit la confidentialité des données utilisées.

Partant du constat que 7/10 des projets d’innovations et start-ups échouent, Sarah Bouhnick a choisi de créer une plateforme pour tirer des leçons de ces échecs: The Relisience Lab.
L’objectif de la plateforme? Recycler les données de projets échoués récoltées sur Falory.com pour en faire bénéficier les prochaines initiatives.

Les 7 raisons principales identifiées sont :

•  un mauvais management
• un mauvais timing
• une mauvaise définition du produit
• un manque de spécialisation
• un manque d’expérience
• un manque d’agilité

L’objectif est maintenant de nourrir la plateforme avec des données actualisées afin d’élaborer de nouvelles hypothèses et établir de nouvelles conclusions destinées aux entrepreneurs.

Ce projet vise à prédire la capitalisation d’actions cotées en Suisse afin d’identifier des titres sous- ou surévalués, puis de générer automatiquement des signaux d’achat et de vente. L’objectif : comparer la performance de cette stratégie quantitative à celle du SMI.

Plus de 44 Go de données financières (prix et fondamentaux) ont été collectées et structurées, puis enrichies par du feature engineering (reconstruction de la capitalisation, ratios financiers, variables historiques)  . Un modèle de Machine Learning a ensuite été entraîné sur le marché suisse afin d’estimer les écarts entre capitalisation réelle et prédite.

Le projet illustre une approche complète en Data Science appliquée à la finance : de la collecte de données massives à la stratégie de trading automatisée.

L’application offre la possibilité d’analyser l’activité des 20 millions d’utilisateurs enregistrés sur Stack Overflow, un site web de questions-réponses dédié aux programmeurs, sur une période allant de 2008 à 2022. Ceci inclut plus de 24 millions de réponses et 25 millions de questions, le tout rendu possible grâce au service web BigQuery de Google Cloud.

Le projet propose d’analyser ces données pour illustrer les tendances de l’industrie du logiciel ces 15 dernières années et comprendre comment cette industrie a pu être affectée par l’essor de l’intelligence artificielle.

Cette application a pour objectif de formaliser la description des propriétés des produits. Elle est conçue pour couvrir une variété de produits dans une seule interface. Utile pour les clients commandant des produits non standards sans spécifications techniques typiques, l’application permet de créer une liste claire et détaillée des exigences pour le produit final.

Dans le négoce des matières premières, le coût de remplacement correspond au coût réel nécessaire pour remplacer une cargaison ou honorer un contrat en tenant compte du prix du marché, du transport, des frais logistiques et de nombreux autres paramètres. Son calcul est complexe, car il dépend de données qui évoluent en permanence.

Aujourd’hui, ces calculs sont souvent réalisés à l’aide de multiples feuilles Excel et de sources de données dispersées. Cette approche chronophage augmente le risque d’erreurs et complique la prise de décision dans un contexte où les marchés des matières premières sont particulièrement volatils.

Replacement Cost Engine propose une plateforme interactive qui centralise les données de marché et automatise les calculs de prix, de coûts et de marges. Elle intègre également un simulateur de routes maritimes, des modèles de calcul standardisés et des rapports géopolitiques enrichis par l’intelligence artificielle.

En regroupant l’ensemble de ces fonctionnalités au sein d’une même application, la solution permet d’obtenir rapidement une estimation fiable du coût de remplacement, d’améliorer la transparence des calculs et de faciliter la prise de décision dans les opérations de négoce des matières premières.

Comparer des entreprises uniquement sur la base de leur performance boursière ne suffit pas à comprendre leur véritable profil. Ce projet vise à classifier les actions selon leur couple rendement-risque en combinant des données financières, comptables, sectorielles et de marché. L’objectif est d’obtenir une vision plus objective des caractéristiques de chaque entreprise et de leur évolution dans le temps.

Thomas Fornerod a développé des modèles capables d’identifier automatiquement des profils d’investissement cohérents à partir d’un grand volume de données.

Son projet met en œuvre une chaîne complète d’analyse de données :
– collecte et enrichissement d’informations issues des marchés (Dow Jones, Nasdaq 100 et CAC 40),
– création de variables financières et sectorielles,
– puis application de techniques de clustering et de machine learning.

Cette approche permet d’identifier trois grands profils rendement-risque interprétables et de prédire le profil d’une entreprise à partir de 52 variables explicatives, offrant ainsi un outil d’aide à l’analyse et à la décision pour les investisseurs et les analystes financiers.