CaseStudies - Projets étudiants en IA Générative

← GenAI

Clarification : cran GenAI/CaseStudies/ vs MyIA.AI.Notebooks/CaseStudies/

Le dépôt porte deux répertoires nommés CaseStudies/ à deux crans :

Chemin Périmètre Owner Lien

MyIA.AI.Notebooks/GenAI/CaseStudies/ (le présent) 4 cas GenAI agentiques : Barbie-Schreck, Fort-Boyard, Medical-Chatbot, Recipe-Maker po-2023 ce README

MyIA.AI.Notebooks/CaseStudies/ (top-level) 3 cas interdisciplinaires fin de cycle M1/M2 : Diagnostic-Medical (Z3), Oncology-Planning (recherche + génétique), SmartGrid-Energy (OR-Tools + KG) po-2025 CaseStudies/README.md

Les deux séries sont complémentaires : les cas GenAI montrent l’orchestration d’un seul paradigme (LLM + tools), les cas interdisciplinaires montrent la composition de plusieurs paradigmes IA (CSP + A* + génétique + OR-Tools + KG + bayésien). Voir #13581 pour le contexte de la clarification (issue #13581 AC7).

Chemin	Périmètre	Owner	Lien
`MyIA.AI.Notebooks/GenAI/CaseStudies/` (le présent)	4 cas GenAI agentiques : Barbie-Schreck, Fort-Boyard, Medical-Chatbot, Recipe-Maker	po-2023	ce README
`MyIA.AI.Notebooks/CaseStudies/` (top-level)	3 cas interdisciplinaires fin de cycle M1/M2 : Diagnostic-Medical (Z3), Oncology-Planning (recherche + génétique), SmartGrid-Energy (OR-Tools + KG)	po-2025	CaseStudies/README.md

Clarification du cran GenAI/CaseStudies vs MyIA.AI.Notebooks/CaseStudies

Heuristique de navigation : si le notebook commence par import openai → GenAI/CaseStudies/ ; si le notebook combine z3-solver, ortools, rdflib, pyro-ppl → top-level CaseStudies/.

Quatre projets complets, bout en bout, illustrent la diversité des applications de l’IA générative : un duel verbal multi-agent avec génération d’images, un générateur de recettes orchestré par agents, un chatbot médical multi-agent avec plugins, et un jeu interactif inspiré de Fort Boyard. Chaque projet combine appel à un LLM (OpenAI) avec une architecture agentique (Semantic Kernel ou API directe), et inclut des exercices pour étendre le système.

Ces notebooks sont le point d’entrée idéal pour découvrir les capacités de l’IA générative avant d’approfondir dans les séries thématiques (Texte, SemanticKernel, Image).

Généalogie et provenance

Les quatre cas de cette série sont adaptés de productions étudiantes de l’EPF (École Polytechnique Féminine, session partenaire), universalisées en mai 2026 par le refactor de migration #890 (design #888) — voir le design archivé docs/archive/epf-universalisation-design.md. L’intention du refactor était de préserver l’attribution des auteurs ; elle est restituée ici, chaque groupe étant renseigné par ce design.

Cas	Production EPF d’origine
Barbie-Schreck	Carole & Cléo
Recipe-Maker	Dorian & Bastien (cuisine)
Medical-Chatbot	Louise et Jeanne Céline
Fort-Boyard	production EPF — groupe non préservé par le refactor

Garde-fou d’attribution : seuls les groupes effectivement enregistrés par le refactor #890 sont nommés. Le groupe du cas Fort-Boyard n’apparaît dans aucun sous-répertoire auteur d’origine (GenAI/EPF/fort-boyard-python.ipynb était à la racine, sans sous-dossier de groupe) ; il n’est donc pas réattribué nominativement. Les sorties brutes étudiantes (*_output.ipynb) sont archivées hors-ligne par l’enseignant et ne font pas partie des livrables du dépôt.

Pourquoi ces projets

Les séries thématiques de GenAI démontent chaque composant ; ces quatre projets montrent les composants remontés. Adaptés de réalisations étudiantes, ils ont la taille exacte d’un bon projet de fin de module : assez complets pour exiger une vraie architecture — des rôles, une orchestration, des conditions d’arrêt —, assez courts pour être lus en entier. Lire un système complet apprend ce qu’aucun tutoriel ne montre : où placer la logique métier, comment empêcher deux agents de tourner en rond, quand arrêter une conversation. C’est aussi ce qui en fait de bons sujets d’extension, chaque projet se concluant par trois exercices qui ajoutent une contrainte, un agent ou une stratégie.

Les quatre projets

Fort-Boyard est le meilleur point de départ : un Père Fouras qui fait deviner, un candidat qui propose, et l’API OpenAI sans couche d’orchestration. C’est l’occasion de comprendre les stratégies de terminaison à nu — comment décider qu’un dialogue entre deux LLM est terminé — avant de les retrouver enrobées dans Semantic Kernel.

Barbie-Schreck est le plus visuel : deux personnages que tout oppose sont forcés de débattre sous contraintes, pendant que DALL-E illustre la joute. Sous le jeu, la mécanique est sérieuse : c’est un vrai dialogue multi-agent Semantic Kernel, avec ses prompts système rivaux et l’intégration image-dans-conversation.

Recipe-Maker fait collaborer plusieurs agents pour produire une recette personnalisée et l’exporter en PDF. Son intérêt est la chaîne complète : de la conversation entre agents jusqu’au livrable final, en passant par la division du travail entre rôles.

Medical-Chatbot est le plus proche d’un système de production : ses plugins de vérification, de journalisation et de terminaison intelligente montrent comment on encadre un LLM dans un domaine sensible. La leçon dépasse le cas médical — la valeur n’est pas dans la réponse du modèle, mais dans les garde-fous qui l’entourent.

Objectifs d’apprentissage

À l’issue de ces projets, vous serez capable de :

Orchestrer des agents conversationnels multi-rôle avec Semantic Kernel ou l’API OpenAI
Intégrer la génération d’images (DALL-E) dans un dialogue automatisé
Concevoir des stratégies de terminaison et des plugins spécialisés pour des agents
Étendre un projet existant en ajoutant des contraintes, des agents ou des fonctionnalités (exercices inclus)

Projets

#	Projet	Notebook	Technologies	Contenu
1	Barbie-Schreck	barbie-schreck.ipynb	Semantic Kernel, OpenAI DALL-E	Duel verbal contraint entre Barbie et l’Âne de Shrek avec génération d’images
2	Recipe-Maker	receipe_maker.ipynb	Semantic Kernel, OpenAI, PDF	Collaboration multi-agents pour générer une recette personnalisée avec export PDF
3	Medical-Chatbot	medical_chatbot.ipynb	Semantic Kernel, OpenAI, plugins	Chatbot médical avec plugins de vérification, logging et terminaison intelligente
4	Fort-Boyard	fort-boyard-python.ipynb	OpenAI GPT	Jeu de devinettes entre le Père Fouras et un candidat, avec stratégies de terminaison

Chaque projet contient 3 exercices permettant d’étendre le système (ajout de contraintes, nouveaux agents, stratégies de terminaison personnalisées).

Prérequis & environnement

Besoin	Détail
Python	3.10+
`openai`	Requis pour les 4 projets
`semantic-kernel`	Requis pour Barbie-Schreck, Recipe-Maker et Medical-Chatbot
Clé API	`OPENAI_API_KEY` dans `GenAI/.env` (voir 00-GenAI-Environment)
`fpdf`	Recipe-Maker uniquement (génération PDF)

FAQ

Quelle clé API est requise ?

Les 4 projets nécessitent OPENAI_API_KEY. Recipe-Maker et Medical-Chatbot utilisent en plus Semantic Kernel pour l’orchestration agentique. Configurer les clés dans GenAI/.env (voir 00-GenAI-Environment).

Peut-on exécuter Medical-Chatbot sans Semantic Kernel ?

Medical-Chatbot utilise Semantic Kernel pour l’orchestration des plugins (requête vers API, parsing, formatage de réponse). Pour le faire sans SK, remplacer les appels kernel.invoke() par des appels directs openai.chat.completions.create() – la logique métier reste la même, seule la couche d’orchestration change.

Quelle différence avec les autres séries GenAI ?

CaseStudies rassemble des projets complets et autonomes, adaptés de réalisations étudiantes. Les séries thématiques approfondissent chaque composant : Texte pour les techniques NLP avancées, SemanticKernel pour le SDK d’orchestration, Image pour la génération et l’édition d’images.

Retour au sommet