Anas Rabhi
Ingénieur IA et data scientist, fondateur de Tensoria
Depuis plus de 6 ans, j'accompagne les entreprises dans l'exploitation concrète de l'IA pour leur métier. Assistants internes basés sur RAG, agents IA en production, automatisations sur mesure, traitement intelligent de documents : je conçois des solutions qui s'intègrent dans vos processus existants et produisent des résultats mesurables.
À propos
Je suis ingénieur IA et data scientist, formé sur des projets variés depuis 2019 : NLP, machine learning, recherche sémantique, déploiement de modèles en production. J'ai fondé Tensoria pour me concentrer sur ce qui produit vraiment de la valeur en entreprise : transformer des problèmes métier concrets en solutions IA fiables, mesurables, maintenables.
Mon angle d'attaque est toujours le même. Partir du métier, identifier les frictions réelles (saisie manuelle, recherche d'information, génération de documents, qualification), puis choisir l'outil le plus pragmatique. Souvent ce sera du RAG sur des données internes, parfois un agent IA qui orchestre plusieurs outils, parfois simplement une chaîne d'automatisation bien pensée.
Je travaille beaucoup avec des PME et ETI françaises (cabinets d'avocats, bureaux d'études, artisans BTP, courtiers en assurance, experts comptables) qui veulent intégrer l'IA sans dépendre des géants américains. Quand la confidentialité l'exige, je déploie sur des stacks souveraines (Mistral, Azure EU, infrastructures self-hosted).
Je publie régulièrement sur le blog Tensoria et sur ianas.fr les retours d'expérience de mes missions : architectures techniques, choix de stack, métriques d'évaluation, coûts réels, limites observées.
Mes domaines d'expertise
Ce sur quoi je travaille au quotidien, sur quoi je peux argumenter techniquement, et où j'ai déjà produit des résultats en production.
RAG et moteurs de recherche
Retrieval hybride (vectoriel + BM25), reranking, chunking adapté au métier, évaluation rigoureuse (recall@k, hit rate). Mistral, OpenAI, Claude, modèles self-hosted.
Agents IA
Orchestration multi-étapes, tool calling, workflows robustes pour la production. n8n, LangGraph, frameworks custom. Gestion d'erreurs et observabilité.
NLP appliqué
Classification, extraction d'entités, résumé automatique, recherche sémantique. Fine-tuning quand pertinent (CamemBERT, modèles spécialisés métier).
LLMOps
Monitoring qualité, suivi des coûts, sécurité des prompts, déploiement progressif. Eval sets construits avec les métiers, A/B testing de modèles.
Automatisations métier
Extraction emails, traitement de pièces jointes, intégrations CRM, ERP, outils SaaS. Approche pragmatique : IA quand elle apporte vraiment, code classique sinon.
IA souveraine et on-premise
Déploiement Mistral, Llama, Qwen sur infrastructure cliente ou cloud privé européen. Conformité RGPD, secret professionnel, données sensibles.
Ma façon de travailler
Quatre étapes claires, pas de promesses irréalistes, du livrable à chaque jalon.
Cadrage
1 à 2 semaines
Immersion dans le métier, identification des cas d'usage à fort impact, faisabilité technique, estimation ROI. Livrable : roadmap chiffrée.
POC fonctionnel
2 à 4 semaines
Prototype testable sur vos données réelles. Eval set construit avec vous, métriques objectives, décision Go / No Go avant d'engager la production.
Mise en production
2 à 3 mois
Intégration aux outils existants (CRM, ERP, intranet), tests, formation des utilisateurs, monitoring, déploiement progressif sur les équipes.
Maintenance et amélioration
En continu
Suivi qualité, mise à jour des modèles, ajustements selon retours utilisateurs, optimisation des coûts d'inférence.
Quelques résultats concrets
Trois exemples de gains mesurés sur des projets livrés en production.
Temps économisé
Agent IA de réponse aux appels d'offres pour un bureau d'études. ROI mesuré supérieur à 300 % sur la première année.
Temps économisé
Assistant IA déployé en usine pour la recherche dans la documentation technique. Adoption immédiate par les équipes terrain.
Plus rapide
Extraction documentaire automatisée pour un cabinet d'avocats. Réduction drastique du temps de traitement des dossiers.
Articles récents
Retours d'expérience, architectures, comparatifs et chiffres terrain.
RAG juridique pour avocats : architecture et garde-fous
Architecture complète d'un RAG jurisprudentiel pour cabinet d'avocats : corpus Legifrance, embeddings juridiques, chunking par considérant, reranker, anti-hallucination. Guide ingénieur.
RAG sur factures fournisseurs : architecture hybride SQL + IA
Pourquoi le RAG seul ne suffit pas sur les factures et comment concevoir une architecture hybride SQL + RAG pour la PME : OCR, extraction structurée, alertes IBAN, conformité 2026 →
RAG documents internes : architecture, coûts, pièges 2026
Architecture RAG complète pour base documentaire PME/ETI : chunking, embeddings, retriever, reranker, métriques clés (Recall@5, coût/requête), coûts POC à scale et pièges en prod. →
RAG sur CCTP et DPGF : architecture pour bureau d'études
Architecture RAG complète sur corpus CCTP, DPGF et mémoires techniques : ingestion, chunking par article, retrieval hybride, génération citée. Guide terrain pour BET et entreprises BTP.
RAG support client : architecture pour automatiser le N1
Architecture RAG sur base de connaissances support : ingestion KB + tickets résolus, pseudonymisation RGPD, boucle de feedback, seuil de confiance et intégrations Zendesk →
OCR factures IA : stacks, validation, B2B 2026
Panorama technique des stacks OCR factures IA (Azure DI, Mindee, LayoutLM, GPT-4o), validation arithmétique, IBAN, HITL, réforme facture électronique B2B 2026 et intégration ERP. Guide terrain.
Génération propales par IA : RAG sur corpus gagnantes
Architecture RAG sur vos propales commerciales gagnées : ingestion, embeddings, retrieval par brief, template fixe, voix de marque. Guide ingénieur complet. →
Extraction PDF par IA : architecture, stacks et coûts 2026
Architecture en deux branches, choix de stack selon volume (GPT-4o, Azure DI, LayoutLM), métriques CER et HITL. Guide technique pour industrialiser l'extraction de données PDF en PME.
Copilote CRM IA : architecture, latence et intégration in-app
Extension navigateur, plugin HubSpot ou Salesforce, RAG sur historique CRM : architecture concrète d'un copilote IA pour équipes commerciales. Pièges, métriques, coûts →
Vous avez un projet IA ?
30 minutes de cadrage gratuit pour comprendre votre besoin et vous dire honnêtement si l'IA est le bon levier. Si oui, on discute du comment. Sinon, je vous le dis aussi.
