Projets

Factify

Hackathon + Mémoire BBA · 94 % 2024
Factify

Plateforme d'actualités propulsée par l'IA qui agrège des sources européennes et synthétise des articles impartiaux grâce aux LLM.

Ce que j’ai appris

Les problèmes les plus difficiles de l’IA appliquée au journalisme ne sont pas techniques. Que veut vraiment dire « impartial » ? Comment gérer des faits contradictoires ? Quand faut-il exposer l’incertitude plutôt qu’une réponse nette ? Construire le produit et éprouver le business model en parallèle a donné une vision bien plus complète que l’un ou l’autre seul.

Présentation

Factify a commencé comme un projet de hackathon de 48 heures et est devenu mon mémoire de Business Analytics à l’ICAI, noté 94 %. C’est une plateforme d’actualités qui utilise des LLM pour comparer et synthétiser des articles issus de plusieurs sources européennes, afin de dépasser les biais éditoriaux.

Comment ça marche

  1. Agrégation des sources : collecte d’articles de plusieurs médias européens couvrant le même événement
  2. Détection des biais : repère l’orientation éditoriale, le contexte manquant et les affirmations factuelles d’une source à l’autre
  3. Synthèse par LLM : génère un article unifié présentant tous les points de vue, avec des affirmations sourcées
  4. Score de confiance : note chaque affirmation selon sa vérification croisée entre sources

Analyse financière (mémoire)

Le mémoire de BBA a prolongé Factify en une analyse financière complète de startup :

  • Analyse concurrentielle : nuages de points comparant nombre d’abonnés et prix des journaux espagnols
  • Projections de coûts : coûts de recrutement, comparaison des tarifs des API de LLM et estimateurs de tokens et de coûts
  • Modélisation des revenus : simulations de Monte Carlo avec paramètres modifiables pour valider la startup
  • Enquêtes utilisateurs : données de validation pour comprendre le problème et le besoin
  • Projections sur 3 ans : comptes de résultat et prévisions financières

Les modèles financiers ont été construits sous forme d’applications Dash interactives en Python.

Stack technique

Développé en Python avec des notebooks Jupyter pour itérer rapidement. Le pipeline NLP utilisait des modèles de langage pré-entraînés pour le résumé et l’analyse de sentiment. Le framework Dash alimentait les visualisations interactives de la partie financière.