Overview

MathSolver CI est une application web full-stack dédiée aux exercices de mathématiques du programme de Terminale D en Côte d'Ivoire. Elle utilise une IA pour analyser les énoncés et produire des solutions détaillées, étape par étape, en suivant la méthodologie officielle de l'UEMOA.

Architecture Frontend

Le frontend est construit avec React et TypeScript, en s'appuyant sur Vite pour un développement rapide et une expérience fluide.

• Framework : React + TypeScript, bundlé avec Vite.
• UI : Composants shadcn/ui basés sur Radix UI pour une interface accessible et moderne.
• Styling : Tailwind CSS avec une palette de couleurs inspirée de la Côte d'Ivoire (orange et vert).
• State : TanStack Query pour la gestion de l'état serveur et le cache des requêtes.
• Routing : Wouter pour un routage client léger.
• PWA : Service worker pour le support hors-ligne (Progressive Web App).

Architecture Backend

Le backend repose sur un serveur Node.js avec Express, entièrement typé en TypeScript, connecté à une base PostgreSQL via Drizzle ORM.

• Runtime : Node.js avec Express.js.
• Langage : TypeScript avec modules ES.
• Base de données : PostgreSQL, pilotée par Drizzle ORM.
• Schéma : défini dans shared/schema.ts, avec configuration dans drizzle.config.ts.
• Intégration externe : OpenAI via OpenRouter pour la résolution des problèmes.

AI & Service de résolution

Le service IA est centré sur le programme de Terminale D : il doit respecter les limites du curriculum et produire des solutions pédagogiques structurées.

• Analyse de l'énoncé pour détecter la leçon parmi les 12 chapitres du programme.
• Validation que le problème appartient bien au périmètre Terminale D avant traitement.
• Génération d'une solution structurée (introduction, développement, conclusion) suivant la méthode UEMOA.
• Restriction explicite aux contenus autorisés pour éviter de sortir du cadre pédagogique.

Authentification & Données

• Sessions stockées dans PostgreSQL via connect-pg-simple.
• Tables dédiées pour les utilisateurs, sessions et leçons de Terminale D.

Data Flow – Résolution d'un problème

• L'utilisateur soumet un problème mathématique (texte ou image).
• Le système détecte la leçon concernée parmi les 12 thèmes officiels.
• Le problème est validé contre le curriculum Terminale D.
• L'IA génère une solution structurée et conforme à la méthode attendue.
• La solution est enregistrée dans l'historique local pour une consultation ultérieure.
• L'utilisateur reçoit une réponse détaillée avec toutes les étapes.

Dépendances externes & Outils

• Base de données : @neondatabase/serverless pour la connexion PostgreSQL.
• AI : SDK OpenAI configuré pour l'API OpenRouter.
• Qualité & build : Vite, TypeScript strict, drizzle-kit, ESLint et Prettier.

Déploiement & Configuration

L'application est conçue pour être déployée sur l'infrastructure Render avec un pipeline clair entre développement, build et production.

• Dev : npm run dev avec exécution TypeScript via tsx.
• Build : npm run build (client avec Vite, serveur avec esbuild).
• Production : npm run start sur le JavaScript compilé.

Changelog & Maturité du projet

MathSolver CI a évolué jusqu'à un niveau prêt pour la production, avec une attention particulière portée à la robustesse et à l'expérience utilisateur.

• Mise en place de la configuration initiale et déploiement de qualité de la PWA.
• Intégration de l'API OpenRouter avec la clé de l'utilisateur.
• Ajout de pages d'information complètes : "En savoir plus", "Aide", "Contact".
• Amélioration de la navigation avec informations développeur et guide utilisateur.
• Renforcement de la gestion des erreurs API et correction des erreurs TypeScript.
• Création d'une page de paramètres fonctionnelle avec préférences utilisateur.
• Ajout d'un menu hamburger avec support du mode sombre.
• Préparation du déploiement Render Deployments pour un accès public.

Contexte & Vision

Gbairai est une plateforme sociale ivoirienne qui donne une voix aux sans voix. Elle permet à chacun de partager ses idées et ses émotions de façon anonyme, dans un univers convivial, respectueux et sécurisé.

Toutes les interactions sont analysées par une couche d'intelligence artificielle pour détecter les émotions et empêcher la diffusion de contenus sensibles ou vulgaires. L'objectif est d'améliorer le quotidien en offrant un espace d'expression libre mais responsable.

Problème adressé

• La difficulté pour beaucoup de personnes d'exprimer leurs émotions sans jugement ni exposition publique.
• Le manque de plateformes anonymes réellement modérées et centrées sur le bien-être des utilisateurs.
• La nécessité de filtrer automatiquement les contenus sensibles, insultants ou dangereux.

Objectifs techniques

• Permettre la publication anonyme d'histoires géolocalisées dans toute la Côte d'Ivoire.
• Analyser automatiquement les émotions des messages pour colorer une carte interactive.
• Mettre en place un filtrage strict des contenus sensibles ou vulgaires, guidé par l'IA.
• Offrir une expérience fluide sur mobile comme sur desktop (PWA).

Architecture & Stack technique

Gbairai est structurée en une architecture client/serveur avec un frontend React et un backend Node.js, connectés à une base de données PostgreSQL. L'application est conçue comme une Progressive Web App (PWA).

• Frontend : React 18, TypeScript, Tailwind CSS, Leaflet (cartes), Radix UI, TanStack Query, Wouter.
• Backend : Node.js, Express, PostgreSQL avec Drizzle ORM, Passport.js pour l'authentification.
• IA & analyse : OpenRouter AI API pour la classification automatique des émotions.
• Autres composants : Multer pour la gestion des fichiers uploadés.

Décisions d'ingénierie clés

Cette section documente les choix d'architecture et de technologies faits pour Gbairai. Elle pourra être enrichie progressivement avec plus de détails (stack exacte, schémas d'architecture, benchmarks).

• Utilisation d'une approche PWA pour rendre la plateforme accessible depuis n'importe quel appareil.
• Intégration d'un moteur d'analyse d'émotion par IA pour classifier les interactions.
• Mise en place d'une logique stricte de filtrage des contenus afin de protéger les utilisateurs.

Impact utilisateur

• Offrir un espace d'expression anonyme pour ceux qui n'osent pas parler à visage découvert.
• Créer une communauté bienveillante, centrée sur l'écoute et le partage d'expériences de vie.
• Protéger les utilisateurs en limitant la diffusion de contenus toxiques ou dangereux.

Galerie du projet

1 / 7

Cliquez pour zapper 👆

Contexte & Objectif

ESATIC Quiz est une application web moderne conçue pour aider les étudiants à se préparer au concours d'entrée à l'ESATIC. Elle centralise des quiz interactifs basés sur les sujets officiels 2012–2024 et fournit un suivi intelligent des performances.

Fonctionnalités clés

• Quiz interactifs avec mode entraînement et mode examen.
• Questions classées par matière : Mathématiques, Physique, Français, Anglais.
• Système de navigation avancé (retour en arrière, chronomètre intégré).
• Statistiques détaillées : performances par matière, historique et export CSV.
• Coach IA personnalisé pour analyser les forces/faiblesses et motiver l'étudiant.
• Section révision avec formules clés et méthodes de résolution.

Architecture & Stack technique

ESATIC Quiz est structurée comme une application web légère : un frontend HTML/CSS/JavaScript vanilla, servi par un petit serveur Node.js. Les données utilisateur sont stockées côté client via LocalStorage.

• Frontend : HTML5, CSS3, JavaScript vanilla.
• Backend : Node.js (serveur statique) pour servir l'application.
• IA : OpenAI GPT-4o pour l'analyse des performances et les conseils personnalisés.
• Graphiques : Chart.js (optionnel) pour la visualisation de la progression.
• Storage : LocalStorage pour la persistance locale des statistiques et de l'historique.

Coach IA & Analyse des performances

Le coach IA utilise OpenAI GPT-4o pour analyser les résultats de l'étudiant par matière, identifier les tendances d'amélioration, détecter les forces et faiblesses et générer des conseils personnalisés.

En cas d'indisponibilité de l'API, un système de fallback intelligent garantit une expérience cohérente, sans bloquer la progression de l'utilisateur.

Déploiement & Structure du projet

ESATIC Quiz est pensée pour être simple à déployer en local ou sur Render. La structure du projet reste claire avec séparation des composants, des données et des utilitaires.

• Serveur Node.js minimal pour servir l'application.
• Composants JavaScript modulaires : quiz, statistiques, coach IA, timer.
• Données de questions centralisées dans un module dédié.
• Configuration Render via un fichier render.yaml et variables d'environnement pour la clé OpenAI.

Rôle & responsabilités

En tant que créateur et développeur d'ESATIC Quiz, j'assure la conception des fonctionnalités pédagogiques, l'implémentation de la logique de quiz, l'intégration du coach IA et la mise en place du déploiement sur Render.

Aperçu du Projet

MUSEP50 est une application Android native écrite en Kotlin, conçue pour les opérations financières et le suivi des transactions pour une institution de microfinance.

• Architecture : Motif MVVM (Model-View-ViewModel).
• Base de données : Room Database avec migrations v1 → v4.
• Langue : Kotlin avec Coroutines pour les tâches asynchrones.
• Build System : Gradle avec Kotlin DSL.

Fonctionnalités Clés

Évolution de l'Architecture (Mise à jour Octobre 2025)

Refactorisation Hiérarchie : Événements → Opérations → Paiements.

• Nouvelle entité Event : Les opérations sont désormais organisées sous des événements (ex: "Assemblée Générale 2024").
• Relation Événement-Opération : Utilisation de clés étrangères pour lier les données.
• Gestion des Participants : Les payeurs sont associés au niveau de l'événement pour une gestion centralisée.
• CRUD Complet : Menus contextuels (3 points) pour l'édition et la suppression sécurisée des données.

Logique des Retardataires

Refonte de la logique basée sur les montants réels dus (solde fixe) vs montants payés. Le système identifie automatiquement les membres n'ayant pas soldé leur cotisation et génère des messages WhatsApp personnalisés incluant le montant restant dû.

Galerie du projet

1 / 10

Cliquez pour zapper 👆

Description

Application d'Évaluation du Risque de Crise d'Asthme permettant d'estimer le pourcentage de risque respiratoire basé sur des constantes physiologiques et environnementales.

Objectifs & Technologies

• Prévention : Alerter l'utilisateur lorsque le risque devient élevé.
• Technologies : Dart / Flutter pour le mobile, C / C++ via CMake pour les calculs de performance natifs.
• Backend : Firebase (Auth, Database, Storage).
• Interface : Design intuitif avec affichage clair du niveau de danger (Faible, Moyen, Élevé).

Galerie du projet

1 / 12

Cliquez pour zapper 👆

Aperçu du Projet

Commy Auth est le système d'authentification centralisé pour la plateforme Commy. Il s'agit d'une solution robuste garantissant la sécurité des comptes utilisateurs via un flux OAuth 2.0 sécurisé.

• Backend : API Express.js (Node.js) production-ready.
• Frontend : Interface Web moderne en Vanilla JS avec design Glassmorphic.
• Sécurité : Protection contre les attaques par force brute et validation stricte des entrées.

Architecture & Sécurité

Endpoints de l'API

• POST /api/mobile/generate-code : Génération de code OTP
• POST /api/mobile/exchange-code : Échange de code contre tokens
• POST /api/mobile/refresh-token : Renouvellement de session
• GET /api/user/:uid : Récupération profil utilisateur

Galerie du projet

1 / 12

Cliquez pour zapper 👆

Aperçu du Projet

Application web complète développée avec Streamlit pour l'analyse de rentabilité clients. Combine Data Science (EDA, nettoyage), Machine Learning (prédiction) et IA (assistant conversationnel Groq).

• Framework : Streamlit (100% Python)
• IA Intégrée : API Groq pour assistant conversationnel
• Machine Learning : Scikit-learn pour prédictions de rentabilité
• Déploiement : Streamlit Cloud (gratuit)

Architecture & Features

Stack Technologique

• Streamlit : Interface web interactive en Python
• Pandas & NumPy : Manipulation et analyse de données
• Scikit-learn : Machine Learning (Random Forest, Logistic Regression)
• Matplotlib, Plotly, Seaborn : Visualisation de données
• Groq API : Service IA rapide et performant

Workflow Utilisateur

1. Accès à l'app → Interface Streamlit intuitive
2. Import des données → CSV/Excel avec clients et données financières
3. EDA → Exploration et statistiques descriptives
4. Nettoyage → Traitement des valeurs manquantes et anomalies
5. Analyse → Visualisations et insights par segments
6. Prédiction → Modèle ML prédit rentabilité future
7. IA → Assistant Groq répond aux questions
8. Rapport → Génération d'un rapport complet exportable

Déploiement & Configuration

Points Forts

• ✅ Full Stack Data Science : Import → EDA → Nettoyage → Analyse → Prédiction
• ✅ IA Intégrée : Assistant conversationnel avec Groq API
• ✅ Production Ready : Déploié et accessible en ligne
• ✅ User-Friendly : Interface Streamlit simple et interactive
• ✅ Automatisé : Nettoyage et analyse automatiques
• ✅ Scalable : Fonctionne avec petits et gros datasets