Smart Grant AI

SmartGrant explore plusieurs portails de financement allemands, traduit et normalise les données des programmes, puis construit un magasin vectoriel sémantique (embeddings OpenAI + Pinecone). Les utilisateurs décrivent leur entreprise ou téléversent un profil PDF ; le système parcourt plus de 500 programmes, classe les correspondances à l'aide d'un score de pertinence personnalisé (échéance, localisation, domaine) et utilise GPT-4 pour produire des recommandations hiérarchisées et rédiger des documents de candidature (DOCX).

Une interface Streamlit propose un chat interactif, des réponses appuyées sur le RAG, l'analyse de PDF et une persistance des sessions et de l'historique via PostgreSQL. Le pipeline inclut le scraping avec Selenium/Playwright, la traduction DeepL, le nettoyage des données et la génération avec python-docx, offrant ainsi un assistant quasi entièrement automatisé pour la découverte de financements et la création d'un premier brouillon de candidature.

Il s'agit d'un projet de recherche interne, encore au stade de prototype.

1. Hétérogénéité et fraîcheur des données : les portails de financement présentent des schémas différents, des mises à jour fréquentes et des limites de débit, ce qui rend difficile une agrégation fiable et à jour.
2. Extraction multilingue et fidélité : la traduction précise et la préservation du sens des textes juridiques et administratifs allemands vers des résumés en anglais ne sont pas triviales.
3. Pertinence et conformité juridique : le classement doit tenir compte de critères d'éligibilité fins (juridiques, régionaux, temporels) pour éviter les faux positifs et réduire les efforts inutiles.

1. RAG + recherche sémantique : utiliser les embeddings OpenAI + Pinecone pour une mise en correspondance et une récupération sémantiques rapides, puis fournir le contexte RAG à GPT-4 afin de produire des recommandations de programmes précises et des justifications.
2. Workflow LLM hybride : utiliser GPT-4-turbo pour les recommandations et la rédaction des candidatures ; utiliser GPT-3.5 (ou des modèles plus légers) pour les résumés et la paraphrase à faible coût afin de réduire les dépenses.
3. Score de pertinence + couche de règles : combiner la similarité vectorielle avec des filtres basés sur des règles (échéances, éligibilité, localisation) pour améliorer la précision et faire remonter les opportunités actionnables.

1. Temps gagné : réduire la recherche manuelle et le travail de premier brouillon de candidature de plusieurs jours à quelques minutes par opportunité.
2. Meilleure qualité des correspondances : le classement sémantique et basé sur des règles renvoie moins de faux positifs et davantage de correspondances actionnables.
3. Passage plus rapide à la candidature : les brouillons DOCX générés automatiquement accélèrent le cycle de candidature et augmentent le débit pour les consultants ou les PME.

1. Efficacité de la main-d'œuvre : automatise les tâches répétitives de recherche et de rédaction, réduit les heures de travail par candidature et diminue les coûts de conseil.
2. Optimisation du calcul et des coûts : l'usage échelonné des modèles (GPT-3.5 pour les résumés, GPT-4 pour les brouillons) réduit les dépenses d'API tout en préservant la qualité là où elle compte.
3. Moins de déplacements et d'impressions : la génération numérique de documents et des correspondances précises réduisent le besoin de conseil en présentiel, de soumissions physiques et de documents imprimés.