Flagship
AI Decision Copilot
Un agent d’analyse tabulaire — profilage, investigation, prédiction explicable, scénarios — plutôt qu’un chat sur CSV.
- Problème
- Un CSV arrive. Sans méthode, on obtient un résumé plausible. Il faut une boucle investigation → explication → simulation, avec des sorties d’outils avant le texte.
- Pourquoi ça compte
- C’est le pont Data → Agents du Lab. Le README du repo le positionne comme produit d’analyse, pas comme démo de chatbot.
Stack: Python · FastAPI · pandas
Architecture
Flux documenté dans le dépôt : upload → diagnose → investigate → explain → simulate → recommend → export.
Le frontend est servi par FastAPI. Les étapes (ingestion, profiling, investigation, root-cause, moteur ML, scénarios, actions, copilote, export HTML) sont des modules séparés, pas un seul prompt.
Données
CSV uploadé ou jeu d’exemple. Features dérivées côté profiling. Pas de claim sur des données clients.
Approche
- Profiler avant de raconter.
- Proposer des pistes d’investigation classées.
- Entraîner un modèle prédictif avec explicabilité quand une cible existe (ex.
revenuedans la démo). - Comparer des scénarios avant une recommandation.
- Exporter un rapport HTML de type note d’analyse.
Résultats
Le lab de profilage publie un run A/B/C (profile-llm.v1) : échantillon vs outil vs claims extraits. Les scores d’agents hors ce protocole restent absents de cette page.
Limites
Le README le dit : positionnement portfolio / démo courte / storytelling business. Pas un déploiement client. Pas de task-completion globale sur le workflow entier.
Learnings
Un analyste agentique crédible impose des outils et des artefacts (profil, scénarios, rapport) avant la prose. Le gap échantillon vs outil est maintenant chiffré dans le Lab.
Suite
Écraser la trace C avec un appel live (python -m labeval --run profile-llm --live) dès qu’une clé est disponible.