Étude de cas · 2025 · IA/ML · Données · Full-stack
Moteur d'empreinte carbone des produits
Des LLM affinés lisent la nomenclature brute d'un fabricant, associent chaque matériau dans une bibliothèque d'émissions de plus d'un million d'entrées et produisent le rapport d'empreinte carbone du produit — automatiquement.
98,7 %
Précision de lecture des nomenclatures
1 M+
Matériaux consultables
40 %
De latence de recherche en moins
00 Comment ça marche
Un fabricant téléverse une nomenclature désordonnée de plusieurs pages
01 Le problème
Pour déclarer l'empreinte carbone d'un produit, chaque composant de sa nomenclature doit être associé à un facteur d'émission. Les fabricants envoient ces listes sous forme de chiffriers et de PDF désordonnés de plusieurs pages, et associer des milliers de lignes à la main dans une bibliothèque de plus d'un million de matériaux ne peut pas suivre.
02 Approche
- 01
Des pipelines asynchrones avec des LLM locaux — affinés avec LoRA/QLoRA pour lire les nomenclatures et classer les matériaux — transforment des documents non structurés de plusieurs pages en matériaux structurés.
- 02
Une recherche vectorielle hybride Qdrant avec filtres de métadonnées associe chaque matériau aux bibliothèques d'ACV.
- 03
L'appariement approximatif et la combinaison de plusieurs LLM donnent un score de confiance à chaque classement.
- 04
Des limiteurs de budget de jetons et la diffusion NDJSON + SSE gardent l'inférence des LLM rapide et prévisible.
03 Architecture
04 Résultats
- 98,7 % de précision dans la lecture de nomenclatures non structurées de plusieurs pages.
- Association sémantique dans une bibliothèque de plus d'un million de matériaux.
- 40 % de latence de recherche en moins grâce aux budgets de jetons et à la diffusion en continu.
- Automatisation d'un processus manuel allant de la nomenclature au rapport d'émissions.
Étude de cas suivante
AnswerGate — tests de régression pour assistants IA