MyHanout AI — copilote IA pour les commerces de proximité
Copilote IA pour boucheries, épiceries, boulangeries et primeurs — prévision de la demande, réassort explicable et pilotage depuis WhatsApp / Telegram / Slack. Human-in-the-loop, explicable, auditable, RGPD, multi-commerces.
Resume executif
MyHanout AI prévoit la demande client et l'approvisionnement, comprend les dépendances entre produits (compléments / substituts), propose des commandes de réassort explicables, alerte sur les ruptures et laisse le commerçant piloter son commerce depuis son téléphone. Il ingère aussi le passif documentaire (factures PDF / photo via OCR) pour nourrir le tout — toujours sous contrôle humain.
Probleme business
Les commerces de proximité pilotent à l'instinct : ruptures, surstock de périssables, gaspillage, factures gérées au fil de l'eau et communication client artisanale. Les outils existants sont soit trop lourds (ERP), soit inexistants pour ce segment.
Solution
Un copilote IA multi-commerces, mock-first et keyless : prévision de demande enrichie de signaux externes (météo, vacances, foot…), recommandations de réassort explicables, ingestion OCR des factures, couche financière (pré-compta), promos générées (texte + affiche) et pilotage conversationnel WhatsApp / Telegram / Slack. Aucune action sortante sans validation humaine.
Architecture technique
FastAPI (Python 3.11, SQLAlchemy async) + workers Celery/Redis, PostgreSQL 16 + pgvector (RAG), service ML isolé (forecast) derrière un client inprocess/http avec fallback. Orchestration tracée via PipelineRun (santé, fraîcheur), providers abstraits (OCR, LLM, images, messagerie, capteurs) mock-first activables par .env. Front React/Vite/TS/Tailwind + PWA ; vitrine Astro ; couche analytique dbt + Airflow + Grafana. Multi-tenant isolé par garde-fou central, RBAC, audit, flux SSE temps réel filtré par commerce.
Schema d'architecture
Emplacement reserve pour schema d'architecture (SVG / image locale).
Cas d'usage
Impact
- Architecture multi-tenant sécurisée : isolation par commerce, RBAC, audit — testée (A ≠ B).
- Mock-first / keyless : la démo tourne sans aucun secret ; le réel s'active par .env.
- Human-in-the-loop & explicabilité : aucune action sortante sans validation ; chaque suggestion porte sa raison.
- MLOps pragmatique : prévision → écart réel → MAE/MAPE → réentraînement versionné.
- RGPD : consentement opt-in, minimisation, données fictives par défaut.
Timeline
Projet produit open-source (MIT) — en développement actif
Role & equipe
Architecture produit & IA, développement full-stack, MLOps, data platform
Prochaines etapes
Prophet/LightGBM en production, connecteurs réseaux réels, voice WhatsApp, billing enforcement, MCP pour agents IA.