Aller au contenu

Cadrage — Projet intégrateur « DASES-Provider »

Nom de travail : SkillBridge Contexte : démonstration technique ciblée pour la candidature « Développeur confirmé : data, IA et logiciel » chez Prof en Poche (Pau) Version : v0 — document de cadrage initial Statut : cadrage validé — fondation en cours Équipe (trio) : Jeremy (décideur / validation) · Claude (stratégie, architecture, sparring) · Claude Code (implémentation) Méthode : cadrage avant code (BMAD), docs as code, déploiement souverain

1. Intention

Ce projet est une preuve de compétence destinée à court-circuiter le filtre CV (Bac+5 et 36 mois d'expérience affichés comme « indispensables ») en démontrant, par un livrable concret et fidèle à leur écosystème, la capacité à tenir le poste.

Le poste couvre trois domaines : intégration des outils du dataspace dans les produits, déploiement de services d'IA (clustering, recommandation), et développement de briques open-source. Le projet vise à toucher les trois en un seul fil rouge, en se positionnant exactement dans le rôle que Prof en Poche joue déjà au sein de Prometheus-X : celui de « Data & AI provider » du Data Space for Education & Skills (DASES), notamment sur le use case DAPO-X.

2. Le domaine métier (rappel)

Les traces d'apprentissage sont éparpillées dans des formats incompatibles (xAPI, SCORM, IMS Caliper, cmi5, propriétaires) et cloisonnées par organisation. Prometheus-X construit un dataspace décentralisé et human-centric (sous Gaia-X, conforme RGPD/AI Act) où la donnée circule de façon souveraine et consentie. Finalités débloquées : portabilité des données de l'apprenant, personnalisation, analytics de compétences, entraînement d'IA sur données mutualisées.

Ce projet matérialise une tranche verticale de cette vision : de la trace brute jusqu'à la recommandation personnalisée.

3. Objectifs

Objectifs de démonstration (mappés à l'offre)

Domaine de l'offre Ce que le projet démontre
Use case leader / intégration dataspace Déploiement et connexion du PDC et du LRC ; simulation d'un PLRS
Data & AI provider Service exposant un jeu de données via API + clustering + recommandation
Building block open-source Service packagé, documenté, déployé comme brique réutilisable

Objectifs personnels

  • Démontrer Python en première ligne (l'indispensable de l'offre) et amorcer la montée en compétences AI Engineer.
  • Combler le gap MongoDB en déployant le PDC réel.
  • Produire un livrable réutilisable comme actif d'agence (MindAgency) au-delà de cette candidature.

4. Scénario fil rouge

Persona : « Léa », élève utilisant une application de maths façon Mathia.

  1. Léa réalise des exercices ; l'appli génère des traces brutes (exercice tenté, réussi/échoué, temps passé).
  2. Les traces sont normalisées au format xAPI (profil DASES) par le LRC.
  3. Elles sont déposées dans son PLRS (coffre de données personnel — simulé au niveau 1).
  4. Léa consent à partager ses données (anonymisées) avec un service ; l'échange transite par le PDC.
  5. Le Service Data & IA ingère ces traces, les enrichit avec des compétences du référentiel ESCO/ROME, regroupe les ressources par compétence (clustering) et recommande les prochaines ressources adaptées.
  6. Les recommandations sont renvoyées et affichées.

5. Périmètre par niveaux d'ambition

Le niveau 1 est le livrable garanti. On pousse vers le niveau 2 si le temps le permet. Le niveau 3 est hors scope POC (à évoquer en entretien comme « la suite »).

Élément Niveau 1 (socle) Niveau 2 (visé) Niveau 3 (hors scope)
LRC (conversion xAPI) Déployé et utilisé en réel idem idem
Service Data & IA Construit (enrichissement + reco + clustering) idem + affiné idem
PDC (connecteur) Déployé et présenté, échange simulé Échange réel entre 2 connecteurs, catalogue + contrat minimal Catalogue + Contract + Consent complets
PLRS Simulé (stockage simple) Simulé enrichi Intégration réelle (Cozy Cloud)
Front de démo Minimal Minimal soigné —

6. Architecture cible

Réutilisation maximale des briques réelles, construction de la pièce manquante.

  • Réutilisé (open-source Prometheus-X) :
  • dataspace-connector (PDC) — TypeScript, MongoDB, Docker, licence MIT. Dépend de composants centraux (Catalogue, Contract, Consent) pour un échange complet.
  • learning-records-converter (LRC) — Python/FastAPI, Docker, licence GPL-3.0. Endpoints /convert, /validate.
  • Construit par nous — le Service Data & IA :
  • Ingestion de traces xAPI → enrichissement compétences (ESCO/ROME) via embeddings → clustering → recommandation.
  • Exposition via API (FastAPI) compatible avec une logique de « data/AI provider ».
  • Flux : Application éducative → LRC (xAPI) → PLRS → PDC (échange consenti) → Service Data & IA → recommandations.

7. Stack technique (fidèle à eux + indispensables de l'offre)

  • Service IA : Python 3.12, FastAPI, sentence-transformers (embeddings, modèle multilingue local), scikit-learn (clustering), modèle sérialisé en pickle/joblib.
  • Briques réutilisées : Node.js / TypeScript + MongoDB (PDC) ; Python / FastAPI (LRC).
  • Données & formats : xAPI (profils DASES), référentiel ESCO/ROME.
  • Infra : Docker / Docker Compose, déploiement Coolify sur VPS Hetzner (souverain).
  • Front de démo : Streamlit (rapide, tout-Python, cohérent avec le syllabus AI Engineer) — option : petit front Angular/Ionic en bonus pour coller à leur stack front, non prioritaire.
  • Qualité : tests (pytest), CI/CD, documentation versionnée + ADRs.

8. Sources de données

  • Traces d'apprentissage : jeu de données xAPI synthétique généré (scénario maths primaire façon Mathia), couvrant des activités variées (exercices, réussites, échecs, temps).
  • Référentiel de compétences : ESCO (référentiel européen, open data) et/ou ROME (France Travail) pour aligner le vocabulaire « skills » de Prometheus-X.
  • Catalogue de ressources : petit corpus de ressources éducatives à recommander (titre, niveau, compétences associées).

9. Livrables

  • Repo Git propre (monorepo ou multi-repo à trancher), README clair.
  • Service Data & IA déployé avec API documentée (Swagger).
  • PDC et LRC déployés (selon niveau atteint).
  • Front de démo accessible en ligne.
  • Documentation déployée façon AlpiMonitor : objectifs, architecture (C4), ADRs, guide de démarrage.
  • Un court écrit « ce que ça démontre » utilisable en entretien.

10. Risques & points d'attention

Risque Impact Mitigation
Dépendances du PDC (Catalogue/Contract/Consent) Échange réel complexe à monter Échange simulé au niveau 1 ; minimal au niveau 2
LRC « work in progress » (18 commits, pas de release) Débogage possible Tester tôt ; fallback : s'inspirer du format de sortie sans dépendre du service
Licence GPL-3.0 du LRC vs MIT du PDC Contrainte si produit commercial OK pour un POC ; à tracer dans un ADR si réutilisation produit
Gap data/ML personnel (Python data récent) Courbe d'apprentissage Rester sur de l'IA appliquée (embeddings + clustering), pas de deep learning lourd
Effet tunnel / scope creep Retard Niveau 1 livrable d'abord, jalons courts

11. Découpage en lots (jalons)

  • Lot 0 — Spike de faisabilité. ✅ (fait) PDC et LRC validés comme déployables.
  • Lot 1 — Données & enrichissement. Générer le jeu xAPI synthétique ; intégrer ESCO/ROME ; enrichissement des traces par compétences.
  • Lot 2 — Service IA. Embeddings + clustering + recommandation ; API FastAPI ; tests.
  • Lot 3 — Interopérabilité. Déployer le LRC réel ; brancher la conversion en amont du service.
  • Lot 4 — Dataspace. Déployer le PDC ; échange simulé (niveau 1) puis réel (niveau 2).
  • Lot 5 — Démo & doc. Front de démo ; documentation déployée ; déploiement final Coolify/Hetzner.

12. Critères de réussite (Definition of Done)

  • Le fil rouge fonctionne de bout en bout (au moins au niveau 1) et est déployé en ligne.
  • L'API du Service Data & IA est documentée et testée.
  • La documentation explique clairement le « pourquoi » métier et l'architecture.
  • Le projet est présentable en 5 minutes en entretien, avec un lien live.

13. Décisions tranchées

  • [x] Nom définitif du projet : SkillBridge (repo skill-bridge)
  • [x] Délai cible : niveau 1 visé en ~2 semaines (sprint cadré, façon AlpiMonitor)
  • [x] Modèle d'embeddings : sentence-transformers multilingue, exécution locale
  • [x] Référentiel de compétences : ESCO (primaire) ; mapping ROME en secondaire, plus tard
  • [x] Front de démo : Streamlit (seul, niveau 1) ; bonus Angular/Ionic non prioritaire
  • [x] Organisation du code : repo unique pour notre code ; PDC et LRC intégrés via Docker (non copiés dans le repo)
  • [x] Niveau d'ambition : niveau 1 garanti d'abord, niveau 2 visé en bonus

Stack Python actée : Python 3.12 · uv (gestion d'env et de deps) · ruff (lint/format) · pytest (tests).

Document de cadrage v0 — à affiner en trio avant le démarrage du Lot 1.