Assistants IA pédagogiques — RAG

Et si l’IA permettait de redonner plus de place à la pédagogie de projet dans les formations scientifiques ?

Projet FabLab Valrose — EUR Spectrum — Université Côte d’Azur

Notre ambition

« Notre ambition n’est pas seulement de développer des outils d’IA, mais d’apprendre à nos étudiants à comprendre cette technologie, à la questionner et à l’utiliser avec discernement au service des apprentissages. Construire ces outils nous-mêmes est sans doute la meilleure façon de ne pas les subir. »

L’objectif n’est pas de remplacer l’enseignant, mais de lui redonner du temps pour accompagner les étudiants dans leurs projets. Une première génération d’assistants IA pédagogiques a été conçue, déployée et optimisée au FabLab Valrose — entièrement open weight, souverains et conformes au RGPD.

Comment fonctionne le RAG ?

Le RAG (Retrieval-Augmented Generation) permet à un modèle de langage de s’appuyer sur vos propres documents pour générer des réponses fiables et contextualisées, sans hallucination.

📄
Ingestion PDF, cours, TP → vecteurs
🔍
Recherche Question → passages pertinents
🤖
Génération LLM + contexte → réponse sourcée

Ce que ces assistants apportent

✓
Génération de QCM et de fiches de synthèse à partir des cours
✓
Aide à l’évaluation du travail étudiant
✓
Soutien à l’autonomie et à l’apprentissage à son rythme
✓
Création d’assistants via LangFlow, sans programmation, avec extensions Python
✓
Intégration directe dans Moodle grâce à un plugin développé au FabLab (PHP)
✓
Confidentialité totale — aucune donnée ne quitte nos serveurs

Pipelines multi-agents

Des architectures multi-agents développées avec LangFlow, testées en conditions réelles auprès d’étudiants de Master.

💬

Assistant pédagogique RAG

Chatbot qui répond aux questions des étudiants en s’appuyant sur les contenus de cours (physique, optique, IoT). Déployé sur langflow.webprofs.fr.

LangFlow · Ollama · ChromaDB
📝

Génération automatique de QCM

Pipeline à quatre agents (Générateur → Validateur de clarté → Validateur de faisabilité → Assembleur JSON) pour produire des QCM à trois niveaux de difficulté, avec support LaTeX.

Multi-agents · LaTeX · JSON
📄

Pipeline PDF → RAG

Cinq agents séquentiels (PDF Extractor, Markdown Converter, LaTeX Detector, Image Handler, RAG Assembler) pour transformer des cours en base de connaissances interrogeable.

5 agents · Markdown · Embeddings
🎓

Préparation aux concours

Assistants spécialisés CAPES et Agrégation en sciences physiques : interrogation de banques d’exercices, correction assistée et génération de sujets d’entraînement.

CAPES · Agrégation · Exercices

L’équipe du projet

Ce projet a été imaginé et encadré au FabLab Valrose. Beaucoup de travail, de rigueur et une vraie envie de réussir.

Didier Orlandi Prag Physique
Porteur du projet, encadrement
Mathis Steinmann FabLabManager UniCA
Développeur d’agents IA en Python
Quentin Nosmas Étudiant ENSAE
Jade Colin Étudiante ENSAI

Infrastructure locale & souveraine

Partis de l’API Mistral AI, nous avons ensuite fait fonctionner ces assistants entièrement en local avec llama.cpp, sans dépendance au cloud et sans qu’aucune donnée ne quitte nos serveurs.

Technologies utilisées :

llama.cpp · Ollama · Gemma · Mistral-Nemo · LangFlow · ChromaDB · mxbai-embed-large · Prometheus · Grafana · Loki · Docker · nginx · Tailscale VPN · Ubuntu Server · Plugin Moodle PHP
Cluster GPU :

4 PCs load-balancés via nginx — RTX 5070 · RTX 3060 ×2 · GMKtec K11

Infrastructure opérationnelle — langflow.webprofs.fr

Voir le projet en vidéo

Présentation complète du projet sur LinkedIn, avec démonstration des assistants en action.

Prochaines étapes

Premier jalon atteint. La suite :

🎯
Simplifier la prise en main pour tous les enseignants
🔬
Étendre à d’autres disciplines scientifiques
🏫
Déployer ailleurs dans d’autres établissements

Un projet d’assistant IA pédagogique ?

Vous souhaitez déployer un assistant RAG pour vos cours, vos formations ou vos documents techniques ? Parlons-en.

Me contacter →