Une plateforme de prévision de demande qui transforme les données M5 en scénarios de stock, explications et recommandations soumises à une décision humaine.
Indicateur clé
0.771
RMSSE moyen au niveau des séries individuelles · validation à 28 jours
RMSSE moyen · plus bas = meilleur
LightGBM0.771
Naive last0.952
Seasonal 70.976
Seasonal 281.006
Même fenêtre de validation · 2 744 100 lignes d’entraînement · hors WRMSSE officiel M5
Architecture
RetailOps AI
Les composants, les flux de données et les frontières de confiance du système.
Faites défiler le schéma →
Technologies
BigQuery
dbt
Cloud Storage
LightGBM
SHAP
FastAPI
Cloud Run
Vertex AI
LangGraph
Gemini
React
PostgreSQL
Docker
GitHub Actions
Terraform
Choix d’architecture
01
La prévision récursive tourne dans Cloud Run : chaque horizon nourrit les lags du suivant, ce qu’un endpoint appelé 28 fois gérerait mal. Vertex AI garde le registre et la promotion des modèles.
02
Le LLM n’écrit jamais de SQL : il choisit parmi des requêtes BigQuery typées et paramétrées, avec un plafond d’octets facturés par requête.
03
L’agent est en lecture seule ; toute action métier proposée passe par une interruption LangGraph et une validation humaine, avec un état persisté dans Cloud SQL.
04
Les services FastAPI sont privés (jetons d’identité Google), la console est derrière IAP, et le déploiement passe par Workload Identity Federation sans clé de service.
Le problème
La prévision seule ne dit pas quelle décision prendre. Le projet relie une prévision récursive à 28 jours à des scénarios métier explicites et à un copilote qui utilise des outils bornés.
Ce que j’ai construit
Couches RAW/STAGING/SILVER/GOLD, contrats temporels sans fuite, modèle LightGBM Poisson, API FastAPI privée, explications TreeSHAP, scénarios contrefactuels, agent LangGraph et console React. Entraînement validé sur Cloud Run Jobs et chaîne de déploiement GCP.
Résultat et compromis
Sur la même fenêtre de validation (2 744 100 lignes d’entraînement), LightGBM atteint un RMSSE moyen de 0,771 contre 0,952 pour la meilleure baseline naïve. Il ne s’agit pas du WRMSSE hiérarchique officiel M5.
Périmètre et limites
Les stocks et délais sont des hypothèses saisies par l’utilisateur : M5 ne les contient pas. Les bandes de demande sont des scénarios de stress, sans garantie de couverture calibrée. Vertex AI Custom Training n’est pas validé ; les ajouts V7 doivent encore passer leur validation cloud.