About Vizir — architecture & pipelinesAbout Vizir — architecture & pipelines
Vizir est le nom donné aux copilotes IA intégrés à ce site — pas un seul assistant, mais une famille de pipelines, chacun avec un rôle précis et son propre modèle. Le principe directeur est le même partout : un modèle génère, un mécanisme déterministe vérifie — jamais l'inverse, jamais une confiance aveugle au modèle seul. Cette page documente le fonctionnement réel de ces pipelines pour un lecteur qui n'a pas accès aux pages d'administration, et sert aussi d'étude de cas sur l'intégration disciplinée de l'IA dans un processus métier. Vizir is the name given to the AI copilots embedded in this site — not one assistant, but a family of pipelines, each with a precise role and its own model. The guiding principle is the same everywhere: a model generates, a deterministic mechanism verifies — never the reverse, never blind trust in the model alone. This page documents how these pipelines actually work for a reader without access to the admin pages, and doubles as a case study on disciplined AI integration into a business process.
Vue d'ensembleOverview
Quatre pipelines distincts, trois modèles différents selon le besoin (fiabilité vs coût), un seul référentiel de données partagé. Four distinct pipelines, three different models chosen by need (reliability vs. cost), one shared data reference.
Un seul référentiel de données, jamais dupliqué entre les pipelines — chaque instance de Vizir lit (et parfois écrit) directement dans les mêmes tables, avec des droits d'accès différents selon qu'elle tourne côté admin ou côté public (détail en section 5). One single data reference, never duplicated between pipelines — each Vizir instance reads (and sometimes writes) directly into the same tables, with different access rights depending on whether it runs on the admin or public side (detail in section 5).
Étude de cas — générer une lettre de motivationCase study — generating a cover letter
Le pipeline le plus contrôlé du site : une lettre n'est jamais publiée sans être passée par un validateur mécanique, une consigne mal respectée déclenche une correction ciblée avant toute chose, et l'analyse de l'annonce s'accompagne d'une passerelle vers Vizir Compétences pour qualifier, avant même de générer, une compétence réelle mais absente du référentiel. The most tightly controlled pipeline on the site: a letter is never published without passing through a mechanical validator, an unmet instruction triggers a targeted correction before anything else, and the posting analysis includes a bridge to Vizir Compétences to qualify a real but not-yet-referenced skill before generation even happens.
La passerelle vers Vizir Compétences (à gauche) n'est pas une simple aide à la saisie : c'est un point de contrôle avant génération. Une expression de l'annonce sans correspondance peut révéler une compétence réelle mais jamais qualifiée dans le référentiel — la faire qualifier par Vizir, avec un niveau honnête et une preuve réelle, puis relancer l'analyse, améliore instantanément la justesse du profil retenu pour cette candidature et pour toutes les suivantes. The bridge to Vizir Compétences (left) isn't just a data-entry aid — it's a checkpoint before generation. A posting phrase with no match may point to a real but never-qualified skill — having Vizir qualify it, with an honest level and real evidence, then re-running the analysis, instantly improves the accuracy of the profile used for this application and every one after it.
La correction (étape annexe à droite) n'est jamais une nouvelle tentative « à l'aveugle » : le modèle reçoit la liste exacte des règles violées et la phrase concernée, tâche mécanique routée vers un modèle moins coûteux (Haiku) plutôt que régénérée en entier sur Sonnet. Correction (side step on the right) is never a fresh "blind" attempt: the model receives the exact list of violated rules and the sentence concerned — a mechanical task routed to a cheaper model (Haiku) rather than fully regenerated on Sonnet.
Le garde-fou déterministe — l'exemple Vizir ValorisationThe deterministic guardrail — the Vizir Valorisation example
Un modèle plus petit (Llama 3.3 70B, choisi ici pour son coût quasi nul) est moins fiable qu'un modèle plus grand sur le respect strict de consignes multiples — la réponse retenue n'est pas d'accepter ce risque, mais de le neutraliser mécaniquement après coup. A smaller model (Llama 3.3 70B, chosen here for its near-zero cost) is less reliable than a larger one at strictly following multiple instructions at once — the answer here isn't to accept that risk, but to neutralise it mechanically after the fact.
La confidentialité est traitée en premier et séparément des autres contrôles : un incident réel a montré qu'un seul message combinant plusieurs consignes de correction pouvait en faire ignorer une par le modèle — les contrôles bloquants et correctibles sont donc toujours résolus l'un après l'autre, jamais en même temps. Confidentiality is handled first and separately from the other checks: a real incident showed that a single message combining several correction instructions could make the model ignore one of them — blocking and correctable checks are therefore always resolved one after another, never at once.
Séparation des donnéesData separation
Le même référentiel Supabase sert les pages publiques et les pages admin — la séparation ne repose pas sur une simple page de connexion, mais sur des droits d'accès appliqués directement au niveau de la base de données. The same Supabase reference serves both public and admin pages — separation doesn't rely on a simple login page, but on access rights enforced directly at the database level.
Cette frontière est appliquée au niveau de la base de données (Row Level Security) et vérifiée à nouveau côté API (jeton JWT) — jamais un simple mot de passe côté navigateur. This boundary is enforced at the database level (Row Level Security) and checked again on the API side (JWT token) — never a simple password on the browser side.
Pourquoi cette rigueurWhy this rigour
Ce site est un terrain d'expérimentation personnel, mais les principes appliqués ici — vérification mécanique plutôt que confiance au modèle, séparation des données au niveau base plutôt qu'au niveau interface, contrôles bloquants distincts des contrôles correctibles — sont directement transférables à l'intégration d'IA dans un processus métier réel : instruction de dossiers, réponse à un client, production de documents réglementés. Le coût d'un modèle qui se trompe une fois n'est jamais celui d'une simple relecture ; c'est celui de la confiance qu'on lui accorde ensuite. Ces pipelines existent pour que cette confiance repose sur des vérifications, pas sur des suppositions. This site is a personal testbed, but the principles applied here — mechanical verification rather than trust in the model, data separation at the database level rather than the interface level, blocking checks kept distinct from correctable ones — are directly transferable to integrating AI into a real business process: case handling, client responses, regulated document production. The cost of a model getting something wrong once is never just a re-read; it's the cost of the trust placed in it afterwards. These pipelines exist so that trust rests on verification, not assumption.
Une question sur cette architecture, ou un besoin similaire à étudier ? Voir la page Contact. A question about this architecture, or a similar need to discuss? See the Contact page.