[ MODÈLES ]
Bien choisi
Choisis au cas par cas
De la diffusion pour l'essayage, de la vision multimodale pour les pièces, un modèle compact et rapide pour l'adtech — adaptés à la tâche, pas à la mode.
[ RÉALISATIONS CHOISIES ]
De l'IA, livrée dans des produits réels.
Trois produits, trois domaines — une app d'essayage virtuel Shopify, une super-app IA pour l'automobile et un outil de débogage adtech. Des stacks différentes, un même schéma : choisir le bon modèle pour la tâche, le concevoir pour la précision, l'entourer de repli et de garde-fous, et le livrer là où se trouvent les utilisateurs.
Réserver un appel[ TROIS ÉTUDES DE CAS ]
01
Voilae
App Shopify · essayage virtuel par IA pour l'e-commerce de mode.
Lire l'étude
02
modr
App mobile grand public · identification de pièces par IA, décodage de schémas et diagnostic de santé VE.
Lire l'étude
03
AdFlow
Extension Chrome · débogage de requêtes adtech propulsé par l'IA.
Lire l'étude
[ CAS 01 ]
App Shopify · essayage virtuel
Voilae — un bouton d'essayage sur chaque fiche produit.
Une app Shopify en un clic qui permet aux acheteurs de se voir porter un vêtement avant l'achat — sans code, sans changement de plateforme, en ligne sur n'importe quel thème en quelques minutes.
Visiter voilae.com+28 %
Hausse de conversion sur les fiches produit avec essayage*
−40 %
Retours le premier mois*
1,8 s
Temps moyen de génération d'un essayage
<2 min
De l'installation à la mise en ligne, zéro code
[ ESSAYEZ EN DIRECT ]
Lancez un essayage. Regardez le cache porter ses fruits.
Choisissez un vêtement et lancez la génération. Le premier rendu est un échec à froid — un appel d'inférence en direct qui prend un instant et coûte quelques centimes. Nous mettons le résultat en cache, si bien que chaque rendu suivant est instantané et à 0,00 $. Une maquette en pixel art du pipeline runTryOn() de Voilae — rendue en direct dans votre navigateur, sans photos, sans téléversements.
· Taille ·
providerfal.ai · fashn-v16Primary
garment—
resultidleReady
cost$0.000
cacheempty—
Une maquette stylisée — la silhouette et les vêtements sont dessinés de façon procédurale, et les temps/coûts reflètent les chiffres réels de fal.ai (0,075 $/rendu). Dans Voilae, le même chemin exécute FASHN v1.6 avec bascule de secours vers fal.ai et un véritable cache de résultats. Voir comment ça marche ↓
[ LE DÉFI ]
Les acheteurs ne peuvent pas juger du rendu sur eux.
Dans l'e-commerce de mode, la première source d'hésitation — et de retours — est l'incertitude sur la coupe et le rendu. Une simple photo produit sur un mannequin n'apprend presque rien à l'acheteur sur lui-même. Les marchands savaient que l'essayage pouvait aider, mais les options existantes imposaient des SDK de réalité augmentée, une refonte du thème ou un projet de développement que personne n'avait le temps de mener.
[ LA RÉALISATION ]
Installer, activer, terminé.
Voilae se présente comme une extension d'app de thème Shopify : les marchands glissent un bouton « Try it on » sur n'importe quelle fiche produit depuis l'éditeur de thème — sans code, compatible avec tout thème Online Store 2.0. Les acheteurs téléversent une photo ou choisissent parmi 16 avatars variés ; « Complete the Look » compose une tenue complète haut et bas en un seul clic. Les produits se synchronisent automatiquement par webhooks, la facturation est à l'usage, et les flux de données conformes au RGPD sont intégrés.
providerfashn-v16Primary
garmentauto-detected · top
resultcache hit · 1.8sCached
cost$0.00 on repeat
fallbackfal.ai · standing byReady
[ COMMENT NOUS AVONS APPLIQUÉ L'IA ]
Une synthèse photoréaliste vêtement-sur-personne, rendue assez fiable pour vendre.
01
Des modèles d'essayage spécialisés
Pas un modèle d'image générique — des modèles de diffusion d'essayage virtuel conçus sur mesure (FASHN v1.6, Leffa, CAT-VTON), servis via fal.ai et fashn.ai, choisis au cas par cas pour la qualité, la vitesse ou le coût.
02
Abstraction des fournisseurs + bascule de secours
Une seule interface runTryOn() derrière chaque modèle. Un mode composite essaie d'abord FASHN et bascule automatiquement vers fal.ai, pour que la disponibilité ne dépende jamais de l'API d'un seul fournisseur.
03
Cache, modération et asynchrone
Les résultats sont mis en cache sur (provider, person, garment), si bien que les essayages répétés sont instantanés et gratuits. La modération NSFW s'exécute dans le modèle ; une file de webhooks et un parcours « Notify me » couvrent les générations lentes.
RemixShopify PolarisPrisma · PostgresSupabaseUpstash Redisfal.aiFASHNTurborepo
*Les chiffres de conversion et de retours sont les indicateurs produits publiés par Voilae.
[ CAS 02 ]
App mobile grand public · IA automobile
modr — la bonne pièce. Instantanément.
Prenez une photo ou scannez un VIN, et modr identifie la pièce exacte — puis trouve les fournisseurs locaux qui l'ont en stock. Ce qui a commencé par l'identification de pièces est devenu un véritable « garage » de propriétaire de VE dans votre poche.
Visiter modr.techVIN + photo
Une donnée que l'utilisateur a déjà sous la main
Qualité OEM
Références, brochages et couples de serrage
35+
Modèles de données derrière le garage
~50
Fonctions edge Deno en périphérie
[ ESSAYEZ EN DIRECT ]
Pointez la caméra. Obtenez des réponses, pas des suppositions.
Deux facettes de la vision multimodale de modr. Décodez un schéma — donnez-lui une vue éclatée et modr étiquette chaque composant, rédige une procédure de réparation pas à pas et signale les précautions. Ou identifiez une pièce à partir d'une seule photo — un cliché net se résout en une référence OEM exacte avec une confiance élevée, tandis qu'un cliché flou passe sous le seuil de 60 %, où modr renvoie Unknown au lieu d'inventer une référence. Des maquettes en pixel art de la vraie vision de schémas de modr et des appels analyze-part() — rendues en direct dans votre navigateur, sans photos, sans téléversements.
Scanné sur
—
Aurora-1 Orbital Lander · Flight Unit 2
Confiance—
En attente de scan
modelgemini-3-pro · visionStrict JSON
category—
part #—Ready
confidence——
alternates—
sourcing——
Une maquette stylisée — la pièce est dessinée de façon procédurale et l'analyse est scriptée. Dans modr, le même chemin envoie la photo à Gemini 3 Pro vision et renvoie exactement cette structure strict-JSON (name, partNumber, category, oem, confidence, alternates) ; tout ce qui passe sous le seuil de confiance est redirigé vers une étape de clarification plutôt que deviné. Voir comment ça marche ↓
Schéma décodé
—
Mechanical exploded view · Aurora-1 Orbital Lander
modelgemini-3-pro · visionStrict JSON
diagram——
components—
steps—
cautions—
Une maquette stylisée — le schéma et son analyse sont scriptés. Dans modr, l'API de schémas envoie l'image à Gemini 3 Pro vision (repli vers flash) et renvoie du strict JSON : composants avec boîtes englobantes, correspondances étape-pièce, un glossaire des pièces et une synthèse avec précautions. Voir comment ça marche ↓
[ LE DÉFI ]
La bonne pièce est noyée sous les références.
Commander une pièce de rechange, c'est décoder des références OEM, vérifier la compatibilité avec une finition précise et trouver un exemplaire en stock — un processus qui décourage la plupart des propriétaires et grignote le temps d'un mécanicien. Et pour les propriétaires de VE, tout le reste du véhicule vit dans une dizaine d'applications déconnectées.
[ LA RÉALISATION ]
Un seul garage pour tout le véhicule.
Une app pensée d'abord pour le mobile, construite autour d'un tableau de bord « garage ». Pointez la caméra sur une pièce et modr en renvoie l'identité exacte et l'approvisionnement ; donnez-lui un schéma de câblage ou une vue éclatée et il décode les composants et les étapes de réparation ; scannez un VIN ou une plaque pour définir le contexte du véhicule. L'app s'est étendue à l'analyse de l'usure des pneus, à l'état de santé de la batterie, à un localisateur de recharge avec partage entre pairs ChargeShare, aux aides pour VE, à la comparaison de véhicules et aux carnets d'entretien — le tout sur des fonctions edge Supabase.
"name": "Front bumper cover", "partNumber": "1044422-00-E", "oem": "Tesla", "confidence": 0.94, "alternates": 2 found
modelgemini-3-pro · visionStrict JSON
[ COMMENT NOUS AVONS APPLIQUÉ L'IA ]
Une vision multimodale, conçue pour ne jamais deviner.
01
Photo et VIN → des faits structurés
L'image d'une pièce et le contexte du véhicule partent vers Gemini 3 Pro vision et reviennent en strict JSON — référence OEM, catégorie, confiance, alternatives. La lecture du VIN et de la plaque se fait par OCR depuis la même caméra.
02
Anti-hallucination par conception
Le Diagnostic Decoder lit les schémas de câblage et de pièces pour en extraire brochages, couleurs de fils et couples de serrage, sous des règles strictes de « ne restituer que ce qui est visible ». Les comparaisons s'exécutent à température 0 pour des réponses ancrées dans les données.
03
Rapide et économique en périphérie
Les analyses visuelles sont mises en cache par empreinte d'image (jusqu'à 90 jours) et s'exécutent comme des fonctions edge Deno au plus près de l'utilisateur — via l'API Google Gemini et la passerelle Lovable AI, avec réessais et backoff.
React · ViteSupabase · DenoGoogle Gemini 3 ProLovable AI GatewayStripeSmartcar · Tesla FleetNHTSA · NREL
[ CAS 03 ]
Extension Chrome · outil de dév adtech
AdFlow — déboguez les requêtes adtech en minutes, pas en heures.
Une extension Manifest V3 qui transforme une cascade chaotique de requêtes publicitaires en un récit clair et contextualisé — reconnaissance des fournisseurs, décodage des charges utiles et explications par IA, le tout dans le navigateur.
Voir sur le Chrome Web Store200+
Fournisseurs publicitaires reconnus par domaine
5
Modes d'analyse IA sur mesure
OpenRTB
Requêtes et réponses d'enchères décodées
Haiku 4.5
Explications Claude en flux continu
[ ESSAYEZ EN DIRECT ]
Chargez une page d'actualité. Regardez la chaîne publicitaire se dérouler.
Lancez la capture et l'emplacement 300×250 de l'article déclenche une enchère header-bidding en direct — quatre SSP enchérissent, un gagnant s'affiche. En parallèle, AdFlow capture chaque requête, nomme le fournisseur et l'étape de chacune, et signale son bug emblématique : une balise de visibilité déclenchée avant l'impression qu'elle mesure. La capture reste locale jusqu'à ce que vous cliquiez sur Explain with AI — alors une synthèse de session Claude arrive en flux continu. Une maquette du véritable inspecteur d'AdFlow — rendue en direct dans votre navigateur, sans réseau, sans fichier HAR.
thedailyledger.example/markets
AdFlow · Network Inspector
0 requête · 0 fournisseur
captured—Idle
winning bid——
creative——
issue——
Une maquette stylisée — la page et la création sont dessinées de façon procédurale et l'enchère est scriptée (les CPM et le timing de la balise reflètent un vrai appel programmatique). Dans AdFlow, le même chemin intercepte le trafic en direct, reconnaît plus de 200 fournisseurs, décode l'OpenRTB et diffuse la synthèse depuis Claude (Haiku 4.5) — la capture ne quitte jamais votre machine tant que vous ne le demandez pas. Voir comment ça marche ↓
[ LE DÉFI ]
50 à 200 requêtes, 20 à 50 fournisseurs, un seul chargement de page.
Déboguer une campagne publicitaire en direct, c'est analyser des fichiers HAR à la main, recouper des domaines obscurs, décoder à la main des charges utiles base64 et OpenRTB, et deviner les bugs d'ordonnancement — comme une balise de visibilité déclenchée avant l'impression qu'elle est censée mesurer. Cela coûte régulièrement des heures aux ingénieurs.
[ LA RÉALISATION ]
Lire la chaîne publicitaire, sans y toucher.
AdFlow intercepte le trafic publicitaire sans jamais le bloquer ni le modifier. Il reconnaît plus de 200 fournisseurs parmi les SSP, DSP, identité et vérification ; décode les charges utiles URL, base64, JSON et OpenRTB ; regroupe les requêtes en flux publicitaires ; analyse la latence du header-bidding ; et signale cinq types de problèmes. Les conclusions s'exportent en JSON ou PDF pour les parties prenantes non techniques.
captured148 reqs · 32 vendors
winning bid$2.41 CPM · DSP
issueviewability before impressionOut of order
ai summarystreaming…Explained
[ COMMENT NOUS AVONS APPLIQUÉ L'IA ]
Cinq analystes spécialisés par domaine, une architecture qui place la confidentialité d'abord.
01
Cinq analystes sur mesure
Request Explainer, Session Summary, Ordering-Issue Analyzer, Discrepancy Predictor et un assistant Chat — chacun est un prompt Claude (Haiku 4.5) distinct encodant la connaissance métier SSP/DSP/OpenRTB/header-bidding.
02
Ingénierie du contexte
Des constructeurs compressent le trafic capturé — principaux fournisseurs, requêtes récentes, charges utiles tronquées pour tenir — dans le budget de tokens de chaque modèle, puis renvoient la réponse en direct en SSE pour une sensation réactive.
03
Confidentialité d'abord, sur consentement
La capture reste locale jusqu'à ce que vous cliquiez sur une action IA. Les utilisateurs apportent leur propre clé Anthropic, ou passent par un proxy Cloudflare Worker sans état qui injecte la clé et ne journalise rien.
WXT · Manifest V3React · ZustandTailwindCSSAnthropic ClaudeCloudflare WorkersOpenRTB
[ LE FIL CONDUCTEUR ]
À travers une app Shopify, une app mobile grand public et un outil de dév, la même discipline : le bon modèle, conçu pour la précision, entouré de repli et de garde-fous, et livré là où sont les utilisateurs.
Une démo prouve qu'une fonctionnalité d'IA peut marcher une fois. Celles-ci ont été livrées parce que le pipeline autour du modèle — cache, bascule de secours, sorties structurées, modération, confidentialité — a été traité comme le vrai produit.
[ CE QUI SE RETROUVE PARTOUT ]
[ FIABILITÉ ]
Repli
Jamais dépendant d'un seul fournisseur
Abstraction des fournisseurs, bascule automatique, réessais et mise en cache pour qu'une panne d'API isolée ne devienne jamais une panne du produit.
[ CONFIANCE ]
Garde-fous
Précision et confidentialité d'abord
Sorties structurées strictes, prompts anti-hallucination, modération, et traitement des données sur consentement, sans journalisation.