OZONE-AID

Contexte

OZONE-AID est mon projet de fin d’études d’ingénieur (Big Data & BI, iTeam University), réalisé en stage chez Ouerkema Innovation pour Ozone Garage, un atelier automobile à Djerba. L’objectif : une plateforme intégrée qui exploite 8 ans d’historique réel de l’atelier pour le pilotage, l’aide au diagnostic, la gestion des rendez-vous, l’anticipation de l’entretien et la relation client. Méthode : CRISP-DM et développement itératif.

Problème

Le diagnostic reposait sur l’expérience individuelle des mécaniciens, l’activité de l’atelier n’était pas consolidée, et rien ne permettait d’anticiper le retour des clients pour leur entretien. Le tout avec une contrainte forte : les données du garage (clients, véhicules) ne quittent jamais la machine — LLM, embeddings et transcription tournent uniquement en local.

Architecture

Une seule plateforme, trois portes d’entrée :

• Socle de données : schéma relationnel de 19 tables, chaîne de chargement reproductible, et entrepôt DuckDB en étoile (3 faits, 6 dimensions).
• API FastAPI : 71 routes en trois couches (schémas, services, routes), couvertes par 212 tests.
• Copilote de diagnostic : un agent LangGraph qui part du code lu par la valise de l’atelier, le rapproche de la norme SAE (Mistral, en local, ne fait que traduire) puis propose des pistes issues de ChromaDB (embeddings e5-base) à partir des rapports de l’atelier. Dictée vocale locale avec faster-whisper.
• Maintenance prédictive : faute de capteurs et de kilométrage fiable, la question a été redéfinie en retour pour la vidange et traitée en analyse de survie (Kaplan-Meier, modèle de Cox avec lifelines), avec génération d’alertes client.
• Pilotage (BI) : 10 indicateurs dans le tableau de bord du back-office, avec filtre de période.
• Site public FR/EN : prise de rendez-vous, voitures à vendre, et un assistant LangGraph à outils.
• Application mobile client (React Native, Expo) : activation par code à usage unique, historique du client, notifications relevées, de l’alerte jusqu’au rendez-vous.
• Industrialisation et sécurité : Docker Compose (4 services), CI GitHub Actions, registre de modèles MLflow, 3 rôles, mots de passe Argon2, JWT en cookie httpOnly, limites d’appels, effacement à la demande avec empreintes HMAC.

Stack

Python, FastAPI, SQLAlchemy, PostgreSQL, DuckDB, LangGraph, Mistral via Ollama, ChromaDB, e5-base, faster-whisper, lifelines, MLflow, React + TypeScript (Vite), React Native + Expo, Docker Compose, GitHub Actions.

Résultats

• Maintenance prédictive : concordance de 0,693 et AUC à 12 mois de 0,741 sur données réelles, avec un découpage dans le temps.
• Copilote : la bonne piste figure dans les 5 premières pour 41 % des 581 descriptions réelles testées.
• Assistant du site : 35 réponses justes sur 41 questions de test.
• Tri des pannes à la réception : piste explorée puis close avec un résultat négatif — les données ne permettaient pas de prédire le coût à l’arrivée. Documenté plutôt que forcé.
• Application mobile testée sur iPhone et approuvée ; soutenance prévue en novembre 2026.