Rejeter les anomalies sans perdre la preuve
Des règles ordonnées normalisent les valeurs acceptées, conservent des exceptions sûres et réconcilient chaque anomalie injectée.
Preuve principaleDonnées synthétiquesIA revue par une personne
Workflow de qualité des données et de reporting assisté par l’IA
J’ai conçu et implémenté un workflow reproductible en Python et SQL qui valide des données opérationnelles, réconcilie les indicateurs, produit des rapports Excel et HTML et contrôle les synthèses IA par des vérifications automatiques et une approbation humaine séparée.
✓ 900 enregistrements synthétiques
✓ 840 acceptés · 60 rejetés
✓ 10 indicateurs SQL réconciliés
✓ Rapports Excel + HTML produits
✓ Réponse IA structurée validée
✓ Décision humaine : APPROUVÉE900Enregistrements sources synthétiques
66Anomalies injectées réconciliées
10Indicateurs SQL approuvés
93Tests automatisés réussis
Problème opérationnel
Transformer des données imparfaites en reporting fiable
Un workflow de reporting exige une validation claire, des indicateurs traçables, des livrables utilisables et des garde-fous lorsque l’IA aide à rédiger la synthèse.
Séparer les indicateurs approuvés du texte IA
SQL définit les valeurs de référence. L’IA ne reçoit que des agrégats et ne peut ni calculer, ni approuver, ni publier ses propres affirmations.
Conserver les livrables sans dépendre de l’IA
JSON, Excel, HTML et graphiques accessibles restent complets si le fournisseur échoue ou si une réponse est rejetée.
Combiner contrôles automatiques et décision humaine
Le schéma, les nombres, la sémantique, la confidentialité et les limites sont contrôlés avant une décision humaine enregistrée.
Implémentation
Un parcours contrôlé des données brutes à l’information revue
- GénérerGraine fixe et manifeste
- ValiderNormaliser, rejeter, réconcilier
- AnalyserSQLite et SQL versionné
- RapporterJSON, Excel, HTML, graphiques
- Revoir l’IAAffirmations contrôlées et approuvées
Preuves publiables
Des artefacts assainis que les recruteurs peuvent examiner
Ces fichiers préservent les résultats agrégés et la preuve de revue, sans identifiants secrets, données de compte, payloads fournisseur, chemins locaux, réponses rejetées ou données ligne par ligne.
- Démonstration en direct de l’API Responses avec statut HTTP 200
- 3 921 jetons enregistrés pour la tentative réussie
- Tous les contrôles automatiques réussis avant la revue humaine
- Dix éléments de contrôle humain validés et état final approuvé
- Identifiant temporaire restreint révoqué après vérification
- Empreintes exactes des artefacts contrôlées par des tests contractuels
verification-summary.json
approved-narrative.json
review-receipt.json
evidence-manifest.jsonLimite de la preuve
Une démonstration professionnelle, pas une affirmation de production
Ce projet de portfolio autonome utilise des données fictives. L’appel API en direct était une démonstration locale limitée, et non un déploiement client, une charge d’entreprise, un développement de modèle ou un impact organisationnel mesuré.
Compétences associées
Analyse de données, contrôles IA, pensée système et automatisation
Le projet montre comment j’associe l’implémentation technique aux preuves, à la documentation, aux limites sûres et au reporting pratique.