Be-Ru — Gradient Learning OS, l'OS de l'éducation adaptative
Plateforme d'intelligence pédagogique white-label, AI-native, qui remplace tout le stack (LMS, quiz, analytics, tutorat, engagement, KM, communauté) par un système intégré centré sur l'apprenant.
Resume executif
Le centre du système n'est pas le cours mais l'individu : chaque apprenant a un modèle vivant (Digital Human Twin) — ce qu'il sait, comment il apprend, ce qui le motive, où il va — et la plateforme s'adapte en continu autour de ce modèle. Ce repo est la fondation produit : une architecture solide + un frontend AI-native poli, itéré couche par couche.
Probleme business
Le stack pédagogique est fragmenté (LMS + quiz + analytics + tutorat + communauté), rigide et centré sur le cours plutôt que sur l'apprenant — d'où faible personnalisation, faible engagement et pilotage aveugle.
Solution
Un OS d'apprentissage en 9 couches (Identity / Learning DNA, Knowledge Graph, Adaptive Learning, AI Tutor multi-agents, Gamification, Social Learning, Faculty OS, Academic OS, Analytics OS) + moteur white-label, couche MCP universelle et Career & Talent Intelligence.
Architecture technique
Frontend Next.js 15 (App Router, TS, Tailwind v4, Framer Motion), design system « Glass Architecture », accès données abstrait derrière lib/services/* (mock typé aujourd'hui, API demain). Cible : API Gateway FastAPI, services core/AI/intégration, PostgreSQL RLS multi-tenant, vector DB pgvector (RAG), Redis, event bus (Kafka / SNS+SQS). IA multi-LLM (OpenAI · Anthropic · Gemini) derrière un routeur provider-agnostic avec policy par tenant, token accounting et guardrails.
Schema d'architecture
Emplacement reserve pour schema d'architecture (SVG / image locale).
Cas d'usage
Impact
- Architecture multi-tenant white-label (RLS par tenant ; thème, branding, feature-flags et routing LLM par tenant).
- Frontend AI-native explorable sur données mock typées (couche data isolée, swappable vers l'API réelle).
- Couche MCP universelle (LinkedIn / GitHub / Moodle / Canvas / ERP / CRM / HR) + Career & Talent Intelligence.
Prototype / evaluation en cours.
Timeline
Fondation produit — frontend + specs d'architecture (backend planifié, voir ROADMAP)
Role & equipe
Product & platform architecture, design system, frontend AI-native
Prochaines etapes
Backend FastAPI, IA multi-LLM / RAG réels, couches Faculty / Academic / Analytics OS.