Apprentissage continu
Adaptive learning · l'IA AGATE s'améliore avec votre usage
Chaque correction validée par l'admin AGATE ou un référent CLCC devient une donnée d'entraînement. La chaîne de lecture automatique applique ensuite ces corrections en temps réel. Stockage 100 % HDS sur OVH, aucune donnée nominative ne quitte le périmètre AGATE.
Feedbacks totaux
142
depuis la mise en production
Règles fournisseur apprises
6
≥ 3 observations
Outcomes captés
67
/ 30 pour retrain calibration
Corrections multi-justif
18
/ 30 pour retrain paramètre de regroupement
Feedbacks par type
- Verdict final (vire/rejet)67
- Correction fournisseur38
- Correction de montant25
- Correction multi-justif18
- Reclassification de type12
- Feedback détection IA8
Feedbacks par rôle
- Admin AGATE89
- Référent CLCC53
Top 10 corrections fournisseur apprises
Une règle est appliquée automatiquement après ≥ 3 observations identiques
| Valeur lue | Valeur corrigée | Observations |
|---|---|---|
| carfour | CARREFOUR | 12 |
| monoprik | MONOPRIX | 8 |
| auchant | AUCHAN | 6 |
| franprx | FRANPRIX | 5 |
| sncf v. | SNCF Voyages | 4 |
| ratp m | RATP | 4 |
Ré-entraînement manuel
Déclenche un re-calcul des seuils adaptatifs à partir des feedbacks accumulés. En production, ces retrains tournent en cron mensuel automatique. Ici tu peux les exécuter à la demande.
Calibration du score de fiabilité
Recalibre les seuils HIGH / MEDIUM / LOW à partir des outcomes (vire vs rejet) déjà observés. Améliore la précision du routage DIQA → CLCC.
Outcomes captés : 67 / 30 requis
Eps regroupement spatial multi-justif
Ajuste le paramètre eps du clustering spatial (Voie A) si trop de faux positifs (split en 2 alors que 1 seul) ou faux négatifs (1 seul détecté alors que 2+).
Corrections multi-justif : 18 / 30 requis