CollegeAdvisor
Une réponse doit venir avec une source.

Une bibliothèque avec un contrôle à la sortie.
Une illustration créée pour ce site dans Blender. Elle explique l’idée ; ce ne sont pas des données du projet.
Les images, schémas et vidéos d’origine conservent leur langue originale.
Les admissions, l’aide financière et les parcours de transfert dépendent tous d’informations précises. Chez Athena AI Labs, j’ai travaillé sur une application qui recherche des documents justificatifs avant de construire une réponse, avec des contrôles pour les questions que les sources disponibles ne permettent pas de traiter. L’objectif de conception était modeste et strict : une réponse doit soit montrer d’où elle vient, soit s’abstenir.
Connecter toute l'application
J'ai développé une interface SwiftUI, une API Python et des workflows de génération augmentée par récupération pour les questions de conseil universitaire. L'intégration des profils d'étudiants prenait en charge des recommandations personnalisées, tandis que l'ingestion de documents organisait les informations que le système pouvait consulter.
Cinq collections, tenues séparées
La base de connaissances est organisée en cinq collections : politiques d’aide financière, conditions d’admission par filière, chiffres du Common Data Set, accords d’équivalence pour les transferts, et réponses rédigées avec leurs citations. Les garder séparées permet à une question sur les crédits de transfert de chercher dans d’autres documents qu’une question sur l’aide, et à un résultat d’indiquer de quel type de source il provient.
Récupération avant génération
Une question est d’abord comparée à ces collections selon le sens, et les résultats issus de sources officielles en .edu et .gov pèsent davantage que les autres. Les documents de conception publiés décrivent aussi une recherche par mots-clés ; le chemin que je décris ici est celui de la recherche dense. Le rôle du modèle de langage est de formuler la réponse. Les éléments retrouvés en fournissent les faits.
Citer, calculer ou s’abstenir
Certaines questions ne devraient pas du tout recevoir de réponse tirée d’un texte. Les montants d’aide et de coût sont calculés par un calculateur déterministe plutôt que générés. Les questions qui demandent un jugement juridique, une prédiction ou une préférence personnelle sont interceptées avant la recherche. Et lorsque les meilleurs éléments sont faibles, le système s’abstient et explique pourquoi. Sur le jeu de test de résistance du projet lui-même, la plupart des cas ont été résolus par un refus de répondre.
Rendre l'ouvrage inspectable
J’ai publié CollegeAdvisor-RAG sur Hugging Face avec des notes d’architecture et des instructions d’utilisation. Le modèle est également référencé sur Kaggle. Ce portfolio met l’accent sur la conception de la recherche et des citations ; les résultats de benchmark annoncés dans une fiche de modèle ne doivent pas être lus comme une garantie pour toute question d’admission.
La récupération effectue le travail factuel.
- 01
Chercher par le sens, classer par l’autorité
Chaque fiche est vectorisée et stockée dans l’une des cinq collections ChromaDB. Une question récupère des candidats dans chaque collection, et ceux qui citent des domaines faisant autorité sont favorisés avant que les meilleurs résultats ne soient retenus. Un score minimal écarte de la réponse les correspondances faibles.
- 02
Vérifiez la question et la source
Des modules spécialisés orientent les questions sur l’aide, le transfert et les admissions vers les bons documents. Un contrôle « citer ou s’abstenir » laisse visible l’insuffisance des éléments au lieu de forcer chaque question vers une réponse assurée. Le contexte de l’étudiant entre par l’application et l’API.
- 03
Un modèle plus petit, un travail plus étroit
L'architecture publiée utilise un modèle TinyLlama 1.1B adapté à LoRA pour le formatage des réponses. Les preuves récupérées fournissent un contenu factuel. En séparant ces responsabilités, il est plus facile de vérifier si une réponse est étayée par ses citations.
Les détails de l’architecture suivent la fiche du modèle publiée et mon propre travail sur le projet. Ils décrivent la conception du système, et ne garantissent pas que chaque fait retrouvé est à jour ni que chaque réponse est correcte.
Explorer la fiche modèleLes limites, en toute honnêteté.
- Les évaluations ont été rédigées par le projet lui-même. Il n’existe ni benchmark indépendant ni chiffre d’exactitude auprès d’utilisateurs réels.
- Une citation indique d’où vient une réponse. Elle ne prouve pas que la source est à jour.
- La version publiée sur Hugging Face est un artefact de modèle documenté, et non un service de conseil hébergé.
Suivez les preuves.
- 01Question
Contexte étudiant et besoin d’information spécifique.
- 02Récupérer
Recherche dans cinq collections de sources, en pondérant les domaines faisant autorité.
- 03Valider
Traitement spécialisé et contrôles de citation ou d’abstention.
- 04Répondre
Une réponse formatée avec des citations à l’appui.
Ce qui relie ce projet aux autres.
Mieux évaluer un agentLes deux traitent « l’évaluateur a dit oui » comme une chose à inspecter, et non à croire sur parole.
ReleafLe même type de produit : une application SwiftUI adossée à des services Python.
Le langage en mouvementLes deux prévoient la possibilité de s’abstenir quand les éléments ne justifient pas une réponse.Le diagramme est une présentation simplifiée de l'architecture publiée. La version Hugging Face est un artefact de modèle documenté, et non un service de conseil hébergé.