--- title: "Plateforme SaaS d'optimisation publicitaire par IA Machine Learning (alias AdsPower)" description: "Plateforme SaaS d'optimisation publicitaire par intelligence artificielle et Machine Learning : classification d'intention de recherche par NLP, enchères automatisées et détection de mots-clés négatifs sur Google AdWords, Bing Ads et Facebook Ads" locale: "fr" canonical: "https://portfolio.josedacosta.info/fr/realisations/plateforme-publicitaire-machine-learning" source: "https://portfolio.josedacosta.info/fr/realisations/plateforme-publicitaire-machine-learning.md" html_source: "https://portfolio.josedacosta.info/fr/realisations/plateforme-publicitaire-machine-learning" author: "José DA COSTA" date: "2016" type: "achievement" slug: "plateforme-publicitaire-machine-learning" tags: ["Symfony 3.2", "Angular 4/10", "TypeScript", "Azure ML Studio", "NLTK", "Google AdWords API", "Bing Ads API", "Facebook Ads SDK", "MySQL", "GitLab CI", "Vagrant", "Electron"] generated_at: "2026-05-26T15:38:48.910Z" --- # Plateforme SaaS d'optimisation publicitaire par IA Machine Learning (alias AdsPower) Plateforme SaaS d'optimisation publicitaire par intelligence artificielle et Machine Learning : classification d'intention de recherche par NLP, enchères automatisées et détection de mots-clés négatifs sur Google AdWords, Bing Ads et Facebook Ads **Date:** Janvier 2016 - Décembre 2018 **Durée:** 3 ans **Rôle:** Chef de projet technique & Cofondateur **Technologies:** Symfony 3.2, Angular 4/10, TypeScript, Azure ML Studio, NLTK, Google AdWords API, Bing Ads API, Facebook Ads SDK, MySQL, GitLab CI, Vagrant, Electron ## Présentation du projet ### Le projet en bref AdsPower était une **startup early-stage** développant une plateforme SaaS d'optimisation des campagnes publicitaires par **intelligence artificielle**. Le concept central : ingérer des milliers de points de données de campagnes - mots-clés, enchères, quality scores, taux de clic, données de conversion - et les injecter dans des **modèles de classification supervisés** entraînés sur **Azure Machine Learning Studio** pour produire des **recommandations d'optimisation actionnables**. Concrètement, les modèles apprenaient à classifier les comportements utilisateurs, analyser l'intention de recherche via les SERP Google, prédire les prix d'enchères optimaux, identifier les clusters de mots-clés performants, détecter les mots-clés négatifs qui drainaient les budgets, et recommander des améliorations d'annonces basées sur les patterns de performance historiques - l'ensemble aboutissant à **l'optimisation automatique des enchères** en fonction du taux de transformation. Le projet était directement inspiré d'**Optmyzr** et de **Dolead** (plateforme française de performance marketing), tous deux analysés en profondeur durant notre recherche concurrentielle. ## Objectifs, Contexte & Risques ### Les 4 piliers du produit ### Optimisation par IA Classifier les intentions de recherche et prédire la probabilité de conversion par mot-clé via des modèles de classification supervisés ### Enchères automatisées Optimiser automatiquement les enchères (1re page, haut de page, 1re position) en fonction du taux de transformation réel ### Détection de mots-clés négatifs Identifier et exclure automatiquement les mots-clés qui drainent le budget sans conversion grâce au clustering sémantique ### Quality Score Prédire et améliorer le Quality Score via l'analyse du CTR attendu, de la pertinence des annonces et de l'expérience landing page ### Contexte marché et technique ### Enjeux business et techniques ### Risques identifiés ### Risk1 **Quotas Google AdWords API** : rate-limiting ou bannissement si volumétrie excessive ### Risk2 **Breaking changes API** : Google modifie régulièrement TOS et schemas (confirmé par la migration AdWords -> Google Ads début 2018) ### **Modèles imprécis** : accuracy < 80 % = perte de confiance client ### Risk4 **Vendor lock-in Azure ML Studio** : plateforme Microsoft encore jeune à l'époque ### **Rareté des compétences ML** dans la région bordelaise en 2017 ### **Runway limité** : startup bootstrappée sans investisseur externe - **Technique** : industrialiser Azure ML en production avec des latences < 500 ms sur les recommandations de bid - **Réglementaire** : respecter les quotas et TOS de Google AdWords API - risque de ban si excès - **Différenciation** : approche **ML-first** (vs heuristique des plateformes établies sur le marché) - **Survie** : valider le PMF (Product-Market Fit - adéquation produit/marché) avant épuisement du runway (trésorerie restante avant fin du financement - 18-24 mois max sans levée) Objectif business : permettre aux annonceurs Google AdWords d'automatiser leurs campagnes grâce à l'IA, en détectant les mots-clés non performants et en ajustant les enchères en temps réel. Contexte : le marché était dominé par Optmyzr (US) et Dolead (FR). Nous visions une approche plus ML-first avec scraping SERP et classification d'intention. Enjeux : concurrencer des plateformes établies, construire une équipe produit/R&D, gérer la dépendance aux APIs Google/Bing/Facebook. Risques : quotas API, breaking changes, concurrence, modèles de classification imprécis. En 2016, le AdTech SEA était dominé par **Optmyzr** aux États-Unis et **Dolead** en France, tous deux basés sur des moteurs de recommandations essentiellement heuristiques. **Azure Machine Learning Studio** venait de sortir de preview publique en 2015 et ouvrait une voie managée pour industrialiser des modèles supervisés sans infrastructure. L'équipe reposait sur **2 cofondateurs** : 1 CEO/fondateur business et moi-même en **Chef de projet technique & Cofondateur (CTO)**, pilotant la conception produit, l'architecture applicative, la R&D Machine Learning et l'interface investisseurs. ## Les étapes - Ce que j'ai fait ### Parcours chronologique en 4 phases ### Recherche et conception (janvier-mars 2016, 3 mois) - En tant que **chef de projet technique & cofondateur**, j'ai mené l'analyse concurrentielle approfondie d'**Optmyzr** et **Dolead** (features, pricing, positionnement) - J'ai rédigé le **cahier des charges (60 pages)** et produit **40+ pages de maquettes** pour Dashboard, Campaign Manager, Keywords, Opportunities, Quality Score, Reports et AI Insights - Côté choix techniques, j'ai tranché : **Angular** plutôt que React (maturité TypeScript 2016), **Symfony 3.2** pour Doctrine ORM et les bundles, **Azure ML Studio** pour le time-to-market, **NLTK** plutôt que spaCy pour le multi-langue - **Difficulté surmontée** : face à la rareté des freelances ML à Bordeaux, j'ai sourcé les candidats via une recherche GitHub géolocalisée sur les tags `machine-learning` ### Prototype et v1 (avril-octobre 2016, 7 mois) - Sur le sprint 0, j'ai monté **Vagrant + Ubuntu 16.10**, un GitLab self-hosted, la CI/CD et les premiers bundles Symfony - J'ai développé le **Data Collection Service** (connecteurs Google AdWords + Bing Ads) - Côté veille concurrentielle, j'ai construit le **SERP Scraper** (Goutte + CasperJS) couvrant 6 moteurs (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) - Pour le pipeline NLP, j'ai monté un sidecar **Python Flask** (NLTK + TF-IDF) et les premiers modèles **Azure ML Studio** (Bid Prediction + k-means) - En **novembre 2016**, j'ai livré la **v1** avec 3 premiers beta-testeurs - **Difficulté surmontée** : pour absorber les 10M+ requêtes SERP/mois, j'ai mis en place un cache **Memcached** et une queue **Redis** ### v2 et multi-plateforme (novembre 2016 - juin 2017, 8 mois) - Suite aux retours des beta-testeurs, j'ai refait l'UX sur **plusieurs écrans** - J'ai ajouté la couverture **Facebook Ads SDK** - Côté distribution, j'ai produit les builds **desktop Electron** (Mac / Windows / Linux) et **mobile Cordova** (iOS / Android) - Pour la segmentation d'audience, j'ai intégré la **Google Prediction API** - **Difficulté surmontée** : face à l'annonce Google de la migration AdWords API → **Google Ads API** début 2018, j'ai anticipé la refonte complète de tous les connecteurs ### v3 Angular 10 et arrêt (juillet 2017 - décembre 2018) - J'ai migré **Angular 4 → 6 → 8 → 10** en 3 itérations majeures - Côté modèles, j'ai stabilisé et amélioré l'accuracy des modèles Azure ML - Sur le volet commercial, j'ai signé **4 contrats payants** en 18 mois (vs objectif initial de 20) - J'ai vécu un cycle de vente B2B long (**6 mois** en moyenne), avec un runway insuffisant pour attendre la maturation du funnel - En **décembre 2018**, nous avons dû arrêter le projet, budget épuisé ### Choix techniques et méthodes ML ### Flux de classification ### Pipeline Machine Learning de bout en bout ### Architecture applicative et services - **Apprentissage supervisé** (gradient boosting, régression logistique, arbres de décision) entraînés sur Azure ML Studio pour prédire les composantes du Quality Score - **Pipeline NLP** avec NLTK : tokenisation, stemming, suppression des stop words et vectorisation TF-IDF des mots-clés et requêtes de recherche - **Clustering k-means** appliqué aux vecteurs TF-IDF pour regrouper les mots-clés par intention de recherche et détecter les mots-clés négatifs - **Segmentation d'audience** par classification supervisée sur données démographiques (âge, genre) via Google Prediction API - **Scraping multi-moteurs** (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) pour collecter des données de veille concurrentielle Pipeline ML en trois étapes : (1) Data Collection via les APIs Google AdWords, Bing Ads, et un SERP Scraper maison construit avec Goutte et CasperJS pour récupérer les résultats de recherche structurés. (2) NLP Processing avec NLTK pour la tokenisation, le stemming, la suppression des stop words, puis vectorisation TF-IDF. (3) ML Models sur Azure ML Studio : classification supervisée par Gradient Boosting pour prédire la pertinence, clustering non supervisé par k-means pour identifier les segments de mots-clés, et Google Prediction API pour la segmentation d'audience. Architecture : Backend Symfony 3.2 avec 4 bundles (Core, Api, Admin, QueryBuilder), frontend Angular 4 puis Angular 10 avec Highcharts et Syncfusion. Infrastructure : Vagrant Ubuntu 16.10, MySQL utf8mb4, Memcached, GitLab CI/CD, Electron desktop + Cordova mobile. ## Avec qui j'ai interagi - Équipe & écosystème ### L'équipe en chiffres ### Mon rôle et le recrutement En tant que **Chef de projet technique & Cofondateur (CTO)**, j'ai piloté l'ensemble du projet de la conception à la livraison : **architecture applicative**, **R&D Machine Learning**, **pilotage des sprints**, **gestion des prestataires** et **interface investisseurs**. Coordination de **4 prestataires externes** (2 développeurs full-stack Angular/Symfony, 1 freelance ML/data Python, 1 UX designer) identifiés via recherche GitHub dans la région bordelaise. ### Parties prenantes externes avec qui j'ai interagi ### Difficultés organisationnelles surmontées ### Rituels Scrum et chaîne CI/CD - **3-4 beta-testeurs** (agences SEA françaises) : j'ai organisé un feedback hebdomadaire pendant 18 mois et co-designé les workflows avec eux - **4 clients payants** que j'ai signés sur 18 mois d'activité commerciale - **1 Business Angel** rencontré en due-diligence - après analyse, nous avons décliné son offre - **Équipe Microsoft Azure ML** : j'ai entretenu un partenariat qui m'a donné un accès preview aux nouveautés de la plateforme - **6 rendez-vous VC à Paris** et 2 comités d'investissement que j'ai tenus pour la pré-seed - **Coordination à distance** (freelances à Bordeaux, Paris, Toulouse) via Trello + Slack + visio hebdomadaire - **Divergence roadmap CEO vs chef de projet technique** : le CEO poussait les ventes + nouvelles features, moi je poussais la stabilité + accuracy des modèles - résolue par des 1-1 hebdomadaires et un backlog priorisé en commun J'ai piloté une équipe Scrum de 5 personnes : 1 CEO/fondateur à mes côtés, moi-même en **CTO/cofondateur technique** (chef de projet technique et cofondateur), 2 développeurs freelance backend/frontend et 1 designer UX. J'ai structuré l'organisation en sprints de 2 semaines avec Sprint Planning (Trello), développement, code review (GitLab MR), déploiement automatique staging (GitLab CI), Sprint Review (démo produit) et Rétrospective. J'ai géré 18+ dépôts de code sur 3 versions majeures et coordonné 40+ pages de maquettes. Au quotidien, j'ai orchestré les freelances externes et entretenu les interactions commerciales avec les premiers beta-testeurs, avec un feedback produit hebdomadaire. ### 5 Personnes ### 18+ Dépôts de code ### 3 Versions majeures ### 40+ Pages de maquettes ## Résultats & réalisations ### Pour l'entreprise : livrables et jalons ### Pour moi - Compétences acquises et renforcées grâce à ce projet - **Première plateforme SaaS française** à industrialiser **Azure ML Studio** en production pour le AdTech, dès 2016 - bien avant la généralisation des modèles prédictifs dans la publicité digitale - **Livraison continue sur 3 ans** avec une équipe stable de 4 prestataires, un budget maîtrisé jusqu'à l'épuisement contrôlé du runway et un produit fonctionnel en production du sprint 1 jusqu'à l'arrêt - **Construction d'une application multi-plateforme** : web (Firebase), desktop (Electron pour Mac/Win/Linux) et mobile (Cordova pour iOS/Android) - **Conception et documentation d'un modèle de données complet** couvrant les écosystèmes Google AdWords, Bing Ads et Facebook Ads - **3 versions majeures du backend en moins d'un an**, avec migration d'**Angular 4** vers **Angular 10** - **Documentation projet complète** : cahier des charges, 4 specs fonctionnelles, specs techniques, modèle de données, étude de marché - **Première cofondation de startup tech** : j'ai assumé le rôle de **Chef de projet technique & Cofondateur (CTO)** et piloté de bout en bout (conception, équipe, livraison, investisseurs) - **Casquette de chef de projet technique en early-stage** : j'ai maîtrisé le découpage des sprints, l'estimation, la coordination des freelances et la roadmap produit négociée avec le CEO - **Machine Learning appliqué** : j'ai acquis en conditions réelles l'expertise Azure ML Studio, NLTK, gradient boosting et k-means en production - **Axe R&D pluriannuel** : j'ai piloté budget, recrutement, priorisation produit et gestion des stakeholders investisseurs - Côté équipe distante, j'ai managé des freelances remote et géré le turnover sur 3 ans - **Product-market fit** : j'ai appris concrètement que l'excellence technique seule ne suffit pas - la validation commerciale doit précéder la construction - **Cycles B2B longs** : j'ai vécu un cycle de vente moyen de 6 mois et mesuré l'importance du funnel commercial vs la R&D pure - Ce projet a changé ma façon de travailler : j'ai adopté définitivement l'approche **lean startup** dans toutes mes missions CTO / chef de projet technique ultérieures J'ai livré une plateforme SaaS fonctionnelle en production avec campagnes gérées automatiquement. Côté R&D, j'ai validé les preuves de concept pour la classification d'intentions de recherche et la détection de mots-clés négatifs. En distribution, j'ai produit des applications multi-plateformes : web SPA Angular, desktop Electron (Mac/Windows/Linux) et mobile Cordova (iOS/Android). J'ai mis en production un pipeline ML opérationnel avec Azure ML Studio et intégré les APIs Google AdWords, Bing Ads et Facebook Ads. Sur le plan personnel, j'ai acquis ma première expérience de cofondation d'une startup tech, de gestion d'équipe technique et de R&D en machine learning appliqué au marketing digital - et j'ai validé mes compétences de Technical Project Manager. ## Issue du projet ### Fin de l'aventure et état du projet ### Futur immédiat (2018-2019, post-arrêt) ### À distance (2019-2022) ### Aujourd'hui (2026) - Arrêt du développement **décembre 2018** et gel des environnements de production - Retours aux beta-testeurs avec **solution de transition vers Optmyzr** (migration accompagnée) - **4 clients actifs** suivis manuellement pendant 3 mois après l'arrêt - **Documentation complète archivée** (cahier des charges, specs, modèle de données, étude de marché) pour éventuel pivot futur - **Libération des 4 prestataires** : tous retrouvent des missions dans le mois - **Retours d'expérience** donnés en école de développement à Bordeaux (partage sur le product-market fit et l'industrialisation Azure ML) - Convergence du marché AdTech : **OpenAI GPT (2020-2022)** redistribue les cartes, les modèles ML classiques sont largement dépassés par les LLM ### **Projet clos**, aucune reprise ni pivot envisagés - **Projet clos**, aucune reprise ni pivot envisagés - **Captures d'écran et maquettes** servent aujourd'hui de portfolio (voir galerie ci-dessous) Le projet s'est achevé fin 2018 après 3 ans d'activité. La startup n'a pas trouvé son product-market fit au niveau requis pour lever des fonds significatifs. Apprentissages capitalisés : les contraintes réglementaires strictes des APIs Google/Facebook, la compétition féroce sur le marché US, et la difficulté de différencier un produit technique face à des acteurs établis. Ces leçons ont nourri mes projets ultérieurs (Groupe Pichet, puis ACCENSEO). Le projet a finalement été **abandonné par manque de moyens budgétaires**. Le coût de la R&D était trop important pour une startup bootstrappée sans financement externe. Le produit fonctionnait, les modèles produisaient de vraies recommandations d'optimisation, mais **sans traction commerciale le budget s'est épuisé**. ## Mon regard critique ### Points positifs ### Points d'amélioration ### Ce que je ferais différemment ### Les enseignements durables que ce projet m'a apportés - **Rigueur technique** : j'ai tenu une architecture DDD propre, des bundles Symfony modulaires, des tests et une CI/CD dès le jour 0 - c'est resté mon standard personnel depuis - **Choix ML stratégique** : je reste convaincu qu'industrialiser Azure ML Studio était le bon pari en 2016 (time-to-market + scalabilité managée) - **Multi-plateforme très avant-gardiste** : j'ai livré du desktop + mobile + web avec une codebase Angular unifiée dès 2016 - **Documentation exhaustive** : j'ai produit cahier des charges, specs, modèle de données et étude de marché - **Validation commerciale trop tardive** : j'ai construit la v1 complète avant de la confronter à 3 prospects payants - **Dépendance Azure ML Studio** : j'ai pris le vendor lock-in en compte trop tardivement - **Équipe trop tech** : je suis resté sans profil growth / marketing en dur - tout reposait sur le CEO - **D'abord vendre, puis construire** : 3 MOU signés avant le moindre sprint de développement - **MVP minuscule** : 1 seule feature ML (détection de mots-clés négatifs), testée 6 mois avant d'élargir le scope - **ML open-source** : scikit-learn + FastAPI plutôt qu'Azure ML Studio, pour éviter le vendor lock-in - **Recruter un 3e cofondateur growth / marketing** pour équilibrer le trio technique/business/acquisition - **Formaliser plus tôt le rôle de chef de projet technique** avec un board de pilotage partagé avec le CEO, pour éviter les divergences silencieuses sur les priorités - **L'excellence technique seule ne fait pas un business viable** : j'ai vu qu'un bon produit sans clients payants reste un projet R&D. - **Le timing compte autant que l'exécution** : j'ai vécu que l'angle IA appliquée à la publicité était **en avance sur son temps en 2016** - ce qui rendait le projet visionnaire mais aussi plus difficile à vendre. - **Valider le marché avant de construire le produit** : j'ai mesuré que j'avais trop investi en R&D technique et pas assez en validation commerciale avec de vrais clients payants. - **La capacité d'itération rapide est un atout durable** : cette discipline de livraison régulière est restée un réflexe permanent dans tous mes projets suivants. Avec le recul, voici comment je juge ce projet. Côté forces, j'ai bâti une architecture technique moderne pour l'époque, porté une équipe motivée et mené une approche ML-first différenciée par rapport aux concurrents purement heuristiques. Côté faiblesses, j'ai sur-investi sur le technique avant de valider le product-market fit, j'ai laissé s'installer une dépendance excessive aux APIs tierces (quotas Google changeants), et je manquais de puissance commerciale pour affronter Optmyzr et Dolead. Les enseignements durables que ce projet m'a apportés : je sais aujourd'hui qu'il faut valider le marché avant de sur-construire, qu'une startup tech ne survit pas sans traction commerciale même avec d'excellents modèles ML, et qu'il vaut mieux privilégier des POC rapides plutôt que des plateformes complètes avant les premiers clients payants. Ce projet a été une école de lucidité entrepreneuriale qui m'a servi dans ACCENSEO plus tard. ### Contexte additionnel - Retour aux réalisations - Janvier 2016 - Décembre 2018 - Présentation du projet - AdsPower était une **startup early-stage** développant une plateforme SaaS d'optimisation des campagnes publicitaires par **intelligence artificielle**. Le concept central : ingérer des milliers de points de données de campagnes - mots-clés, enchères, quality scores, taux de clic, données de conversion - et les injecter dans des **modèles de classification supervisés** entraînés sur **Azure Machine Learning Studio** pour produire des **recommandations d'optimisation actionnables**. Concrètement, les modèles apprenaient à classifier les comportements utilisateurs, analyser l'intention de recherche via les SERP Google, prédire les prix d'enchères optimaux, identifier les clusters de mots-clés performants, détecter les mots-clés négatifs qui drainaient les budgets, et recommander des améliorations d'annonces basées sur les patterns de performance historiques - l'ensemble aboutissant à **l'optimisation automatique des enchères** en fonction du taux de transformation. Le projet était directement inspiré d'**Optmyzr** et de **Dolead** (plateforme française de performance marketing), tous deux analysés en profondeur durant notre recherche concurrentielle. - Objectifs, Contexte & Risques - Les étapes - Ce que j'ai fait - Avec qui j'ai interagi - Équipe & écosystème - Résultats & réalisations - Issue du projet - Mon regard critique - Exemple concret : classification des intentions de recherche - **Le problème** : dans Google AdWords, les annonceurs achètent des mots-clés en correspondance large (broad match). Google déclenche alors les annonces sur des requêtes de recherche qu'il juge proches, mais qui n'ont souvent **rien à voir avec l'intention commerciale** de la campagne. Un annonceur vendant des "fournitures informatiques professionnelles" peut voir son budget consommé par des visiteurs cherchant "cours d'informatique gratuit" ou "réparation PC à domicile" - des clics payés qui ne convertiront jamais. **La solution ML** : le système scrapait les résultats de recherche Google (SERP) pour chaque mot-clé acheté, analysait le **type de résultats affichés** (résultats shopping, fiches produit, articles informationnels, forums...) et extrayait la **classification thématique et l'intention de recherche** (transactionnelle, informationnelle, navigationnelle). Ces signaux, combinés aux données de performance historiques (CTR, taux de conversion, coût), étaient vectorisés via **TF-IDF** et injectés dans un **modèle de classification supervisé** (gradient boosting sur Azure ML). **Le résultat** : le modèle classifiait chaque requête de recherche visiteur comme **pertinente ou non-pertinente** par rapport à l'objectif commercial de la campagne. Les mots-clés identifiés comme faux positifs étaient automatiquement proposés en **mots-clés négatifs** pour être exclus de la campagne. Sans ce système, il était impossible de détecter systématiquement les dépenses gaspillées sur des intentions utilisateur hors-cible. Ceci n'est qu'un exemple parmi les nombreux algorithmes d'optimisation construits dans la plateforme. ## Compétences mobilisées _Compétences techniques et humaines appliquées_ - **[Leadership & Management d'Équipe](https://portfolio.josedacosta.info/fr/competences/leadership-management-equipe.md)** - Co-fondation startup en CTO et management d'une équipe de 4 freelances - **[Pilotage Projet & Méthodes Agiles](https://portfolio.josedacosta.info/fr/competences/pilotage-projet-methodes-agiles.md)** - 3 itérations majeures de produit en moins d'un an en chef de projet technique - **[Résolution de Problèmes & Adaptabilité](https://portfolio.josedacosta.info/fr/competences/resolution-de-problemes-adaptabilite.md)** - Auto-formation NLP, classification ML et Azure ML Studio - Algorithmes de classification d'intention et optimisation d'enchères TF-IDF/k-means - **[Architecture Logicielle & Système](https://portfolio.josedacosta.info/fr/competences/architecture-logicielle-systeme.md)** - Intégration des API Google AdWords, Bing Ads et Facebook Ads - **[Développement Fullstack](https://portfolio.josedacosta.info/fr/competences/developpement-fullstack.md)** - Plateforme full-stack Symfony 3.2 + Angular 4/10 avec pipelines ML ## Parcours associé _Expérience professionnelle liée à cette réalisation_ - **AdsPower - Project Manager technique & Cofondateur** - Startup early-stage développant une plateforme SaaS d'optimisation des campagnes publicitaires par intelligence artificielle. Le produit utilisait le machine learning pour classifier les comportements utilisateurs, predire la probabilité de conversion et optimiser automatiquement les encheres en fonction du taux de transformation. En tant que chef de projet technique, pilotage de bout en bout : cadrage fonctionnel et technique, planification, coordination d'une équipe de 4 freelances, et suivi de la livraison du MVP. ## Galerie d'images _Captures et visuels du projet_ ## Vous avez un projet SaaS propulsé par l'IA, LLM ou Machine Learning ? Aujourd'hui, j'interviens sur des projets SaaS propulsés par l'**IA** et les **LLM** : **RAG**, **fine-tuning**, **agents autonomes**, orchestration multi-modèles, où il s'agit de transformer un flux de données brut en recommandations actionnables. Ce savoir-faire s'appuie sur un socle plus ancien de **Machine Learning classique** - industrialisé sur AdsPower avec **NLP** (NLTK + TF-IDF), **classification supervisée** (gradient boosting) et **clustering k-means**, intégré à plusieurs APIs externes (Google AdWords, Bing Ads, Facebook Ads) dans une plateforme SaaS multi-plateforme. Si vous explorez un projet SaaS autour de l'**IA**, des **LLM** ou du **Machine Learning**, parlons de votre contexte. **Contactez-moi**