Pipeline IA

REF-SPEC/AG001-IA v1.0 — 2026-04-09

1. Principe

Le pipeline IA de Pilot utilise des vues matérialisées comme couche d'abstraction entre les données brutes et le LLM. Les données ne sont jamais envoyées directement au modèle — seules les vues analytiques pré-calculées servent de contexte.

2. Architecture du pipeline

Données brutes       Matérialisation       Prompt builder       LLM              Sortie
(clean_data)    ──▶  (4 vues           ──▶ (contexte +     ──▶ Claude /     ──▶ JSON
                      analytiques)          instructions)      Mistral /        structuré
                                                               Ollama

3. Vues matérialisées

Le matérialiseur pré-calcule 4 vues à chaque upload ou transformation :

Vue Schema

Structure des données, types, cardinalités :

• Noms de colonnes et types inférés
• Nombre de valeurs distinctes par colonne
• Exemples de valeurs

Vue Stats

Statistiques descriptives pour les colonnes numériques :

• Moyenne, médiane, écart-type
• Quartiles (Q1, Q2, Q3)
• Min, max, distribution

Vue Dimensions

Agrégations GROUP BY sur les colonnes catégorielles :

• Top valeurs par fréquence
• Répartition des catégories
• Croisements significatifs

Vue Anomalies

Détection automatique d'outliers et tendances :

• Z-score pour identifier les valeurs aberrantes
• Détection de tendances temporelles
• Corrélations significatives

4. Points d'appel IA

5. Chaîne de fallback

Pilot implémente une chaîne de fallback à 3 niveaux :

Claude Sonnet 4 ──(erreur/timeout)──▶ Mistral 3B ──(erreur)──▶ Ollama local
   (primaire)                           (cloud)                  (dernier recours)

Détection de répétition

En mode Ollama, Pilot détecte les boucles de répétition (tokens répétés) et tronque automatiquement la réponse pour éviter les générations infinies.

6. Confidentialité