Contexte et objectifs

• Projet réalisé en partenariat avec un grand cabinet de type Big Four, visant les cabinets comptables européens et les directions financières de grandes entreprises.
• Objectif : concevoir une plateforme SaaS d’analyse financière à grande échelle capable de détecter risques, écarts et anomalies, d’évaluer les risques et de proposer des plans d’actions correctifs compréhensibles.
• Couverture fonctionnelle : analyse business et marché, conformité réglementaire, performance opérationnelle et indicateurs RSE.

Missions principales

• Cadrage métier : participation active aux ateliers de spécification avec les consultants financiers du cabinet partenaire pour formaliser les besoins et cas d’usage.
• Plateforme Full Stack : rédaction des spécifications techniques front, back, API et base de données (modélisation PostgreSQL, architecture Django, sécurité des API REST).
• Conception du moteur d’analyse : définition d’un modèle hybride combinant règles algorithmiques, modèles mathématiques et composants IA pour la détection d’anomalies et l’évaluation de risques.
• IA & interprétabilité : mise en œuvre de modèles prédictifs (machine learning) pour la classification/alerte, et intégration de LLM (via LangChain / Code Claude) pour la synthèse, l’explicabilité des résultats et la génération de rapports automatisés.

Technologies & compétences attendues

• Tech stack mentionnée : PostgreSQL, Django, Machine Learning, API REST, LangChain (Code Claude), et connaissances front (React évoqué dans l’en-tête).
• Compétences attendues : conception de modèles ML, intégration de LLM pour synthèse/explicabilité, modélisation de données, spécification API sécurisées, bonnes pratiques de production SaaS (scalabilité et gestion de gros volumes de données).

Livrables attendus

• Plateforme SaaS Full Stack opérationnelle (spécifications et prototype / MVP).
• Moteur d’analyse financière hybride (règles + modèles mathématiques + ML/LLM).
• APIs REST sécurisées exposant les résultats et permettant intégration avec clients tiers.
• Rapports financiers automatisés et modules de synthèse explicables générés par LLM.
• Documentation technique complète (architecture, API, modèles, guide d’utilisation).

Encadrement et valeur ajoutée pour le stagiaire

• Travail en collaboration avec consultants financiers expérimentés et équipe technique pour passer du besoin métier à la solution technique.
• Opportunité de déployer des composants ML/LLM en production et d’aborder des problématiques d’interprétabilité, conformité et volumétrie à l’échelle d’un grand cabinet.