Allier rigueur académique et confidentialité grâce à un pipeline d'évaluation par IA

• Une curation manuelle qui plafonne la production de recherche. La création de nouvelles évaluations demandait des semaines de temps d'expert, ce qui limitait la production de recherche et les outils prêts pour la classe.
• Des données d'enfants qui excluent les API d'IA publiques. Les données sensibles des enfants rendaient les API d'IA tierces inenvisageables, pour des raisons de confidentialité et d'éthique.
• Un contenu généré soumis aux normes académiques. Les résultats devaient respecter les taxonomies internes, les normes CCSS et l'adéquation au développement de l'enfant.
• Aucune place pour un contenu inapproprié. Une modération intégrée devait filtrer automatiquement les contenus inappropriés et les données personnelles (PII).

Devsinc a conçu un pipeline de bout en bout reposant sur quatre piliers, pensé pour que l'IA renforce l'expertise humaine au lieu de la remplacer.

• Une architecture axée sur la confidentialité. Un LLM auto-hébergé sur un serveur privé garde toutes les données, les prompts et les brouillons dans l'environnement de l'institut.
• Un double RAG pour un contenu fondé sur des sources. Deux couches de récupération s'appuient sur la banque de questions des experts, ainsi que sur les taxonomies de recherche et les documents CCSS.
• Une relecture avec l'humain dans la boucle. Les experts relisent, modifient et approuvent les brouillons dans un portail, et leurs retours affinent les stratégies de prompting.
• Une modération de contenu automatisée. Un filtre intégré supprime les contenus inappropriés et les données personnelles (PII), aussi bien dans les entrées que dans les sorties.