02CONCEVOIR & CONSTRUIRE
Le projet, concrètement.
Comparaison de modèles de machine learning et de LLM, puis intégration de deux approches dans le starter Next.js. Une connexion LLM via OpenRouter et un modèle linéaire entraîné en Python, exposé par FastAPI. Le conseiller valide la catégorie avant son enregistrement dans PostgreSQL.
- Next.js
- React · JavaScript
- Python
- FastAPI
- scikit-learn
- TF-IDF
- Régression logistique
- OpenRouter
- PostgreSQL
01Le besoin
02La solution
03L’usage
Le périmètre de la mission.
Entraînement et évaluation des modèles, intégration LLM côté serveur, service d’inférence Python et parcours de validation dans l’interface Next.js existante.
- Entraîner un modèle linéaire
- Vectorisation des textes avec TF-IDF, puis régression logistique scikit-learn avec pondération des classes. Le modèle retenu est sélectionné sur le F1 macro de validation ; un jeu de test séparé sert à l’évaluation.
- Passer du notebook à l’application
- Le pipeline est exporté avec sa version et ses métadonnées, puis chargé au démarrage de FastAPI. Next.js envoie le texte au service Python ; la catégorie parmi 18 possibles reste une suggestion jusqu’à confirmation dans PostgreSQL.
- Comparer avec une approche LLM
- Une autre version connecte OpenRouter via une API compatible OpenAI : exemples dans le prompt, réponse structurée et validation de la catégorie. Le choix ML ou LLM repose sur la qualité, la latence et le coût, pas sur la taille du modèle.