Le DJ décrit la soirée, pas la playlist
Le DJ écrit ce qu'il veut : public, ambiance, montée. Le modèle traduit en paramètres, l'algorithme pioche dans la bibliothèque réelle, et le set reçoit un score.
Réalisation · outil interne, recherche et développement
WCSAssist, notre banc d'essai pour mettre de l'IA dans une application sans qu'elle invente.
Un assistant pour les DJ de West Coast Swing, une danse de couple où la musique se choisit au tempo près. Le DJ décrit la soirée en français, le modèle de langage règle les paramètres, un algorithme compose le set depuis la bibliothèque réelle. Ce n'est pas une commande : c'est l'outil sur lequel nous éprouvons ce que nous proposons en intégration d'IA.
01/Le contexteD'où nous sommes partis
Demander une playlist à un modèle de langage donne des titres inventés
WCSAssist est né d'un besoin de DJ, mais la question qu'il tranche dépasse la danse : comment intégrer un modèle de langage sans qu'il invente ni que nous en perdions le contrôle. Face à chaque réflexe naïf, ce que fait l'outil.
- 01Demandé directement, le modèle invente des titres, des morceaux absents de la bibliothèque, des durées fantaisistes.Le modèle ne touche jamais à un identifiant de morceau : il renvoie des paramètres (plage de tempo, courbe d'intensité, genres, filtres) et un algorithme compose.
- 02Un set de West Coast Swing se construit au tempo près, à la main, pendant des heures.Des profils de génération réutilisables, courbes d'intensité, règles de transition et de fin de soirée, et un score de qualité par set.
- 03Corriger à la main les métadonnées d'une bibliothèque entière (genre, année, pays) n'est pas tenable.Une analyse en lot, où chaque suggestion doit citer une source d'un domaine de confiance, sinon le serveur la rejette ; l'utilisateur coche ce qu'il accepte.
- 04Une fonction d'IA en production coûte, et dérive si personne ne la regarde.Chaque appel est enregistré, demande, réponse, modèle, durée, coût ; un quota journalier protège contre les dérives.
02/Ce que nous avons construitEn service aujourd'hui
Le modèle règle les boutons, l'algorithme compose
Quatre étapes, dont une seule confiée au modèle de langage : traduire la demande en paramètres.
- 01Génération conversationnelle. La soirée se décrit en français ; le modèle renvoie des paramètres, l'algorithme sélectionne et classe les morceaux.
- 02Contrôle et boucle d'ajustement. Un résumé du set est resoumis au modèle pour un verdict ; s'il est négatif, les paramètres sont corrigés et le set régénéré une fois.
- 03Curation sourcée. Genres, année, pays, pertinence pour la danse : chaque suggestion porte ses sources, et la décision reste à l'utilisateur.
- 04Analyse audio. Tempo, énergie, tonalité et dansabilité par morceau, anomalies de tempo détectées, répartition de la bibliothèque en graphiques.
- 05Profils de génération. Courbes d'intensité, règles de transition et de retombée pour cadrer chaque type de soirée.
- 06Import et export Spotify. Connexion du compte, import de la bibliothèque et des playlists, export des sets générés.
- 07Console d'administration. Moteurs de langage, prompts fixés au déploiement et consultables, traces complètes des appels, quotas par utilisateur.
- 08Enrichissement en tâche de fond. Métadonnées réconciliées entre Spotify, MusicBrainz, Discogs et Last.fm malgré les variantes de titres et d'artistes.
03/Quatre écransCompte d'un fondateur, données personnelles floutées
Quatre écrans, à l'échelle
Captures de l'outil en service, sur le compte d'un des deux fondateurs. Son prénom, les avatars, les pochettes d'albums et le moteur choisi sont floutés ; le menu, la barre du haut et un message d'erreur du lecteur, en bas de l'écran, sont coupés. Les titres et les artistes restent lisibles.
Une courbe de tempo que le DJ lit d'un coup d'œil
La courbe dit si la soirée monte, redescend et reste dansable. Chaque morceau garde son tempo, son énergie et sa note de pertinence pour la danse.
Pas de source, pas de suggestion
Le modèle explique sa proposition et cite les pages consultées. Sans source d'un domaine de confiance, le serveur rejette ; avec, l'utilisateur coche ce qu'il accepte, et rien ne s'applique seul.
La bibliothèque, analysée morceau par morceau
Tempo, énergie, tonalité, popularité, note de pertinence : les filtres se combinent pour retrouver un morceau de fin de soirée ou un titre à corriger.
04/TechnologiesCe que nous avons choisi, et pourquoi
Une IA fiable est une question d'architecture
Nous confions au modèle ce qu'il fait bien, comprendre une demande, et nous gardons le reste dans du code testé, tracé et vérifiable.
- InterfaceNext.js et React, composants MUI, graphiques pour les courbes de tempo et d'énergie.
- ServeurAPI .NET 10 en couches séparées, commandes et requêtes distinctes, migrations appliquées au démarrage.
- Base de donnéesPostgreSQL.
- Couche IAUn même prompt pour plusieurs moteurs, un modèle sur notre propre serveur, joint par un point d'accès compatible OpenAI, ou les modèles d'Anthropic ; le moteur change sans toucher au métier.
- IntégrationsSpotify pour la bibliothèque ; MusicBrainz, Discogs, Last.fm et ReccoBeats pour enrichir, en tâches de fond.
- Livraison et hébergementConteneurs Docker, chaîne automatisée, déployé sur nos serveurs en France.
05/Pour aller plus loinPrestations voisines
Pour mettre de l'IA dans votre outil, avec les mêmes garde-fous
Et maintenant
Une fonction d'IA à ajouter à votre application, sans qu'elle invente ?
WCSAssist est la méthode que nous appliquons chez nos clients, éprouvée sur notre propre outil. Décrivez-nous votre cas, nous vous dirons ce qui est faisable, avec un délai et un ordre de prix.
Discuter de votre projet
Réponse sous 24 h ouvrées, par l'un des deux fondateurs. Ou par téléphone : 07 59 96 14 99.