Plateforme Temi : Système de Suivi Académique et d'Orientation par IA

Description du Projet

Temi est une solution logicielle conçue pour l'École Nationale de la Statistique, de la Planification et de la Démographie (ENSPD). Elle vise à moderniser la gestion du cursus LMD (Licence-Master-Doctorat) en y intégrant une couche d'intelligence artificielle dédiée à l'orientation professionnelle.

Contrairement aux systèmes de gestion classiques (type Okapi) qui se limitent à l'archivage administratif des notes, Temi exploite les données académiques pour fournir un diagnostic de compétences en temps réel et des recommandations personnalisées alignées sur les objectifs de carrière de l'étudiant.

État du projet : Prototype Fonctionnel (Module 1 d'IA intégré).

Fonctionnalités Implémentées

1. Gestion Académique (LMD)

• Modélisation Structurelle : Gestion hiérarchique des Filières, Classes, Unités d'Enseignement (UE) et Éléments Constitutifs (ECUE).
• Moteur de Calcul LMD : Algorithme de calcul des moyennes pondérées respectant les règles de l'ENSPD (Pondération des types d'évaluation : Devoirs vs Examens, Coefficients UE, Crédits).
• Gestion des Identités : Séparation stricte entre l'identité pérenne de l'étudiant (Matricule) et ses inscriptions annuelles (cursus).

2. Module d'Intelligence Artificielle (Niveau 1)

Actuellement, la plateforme intègre la première brique du moteur d'IA : le Diagnostic de Carrière.

• Cartographie des Compétences : Liaison relationnelle entre les formations académiques (ECUE) et les compétences requises par le marché (ex: Python, SQL pour un Data Scientist).
• Analyse Algorithmique : Détection automatique des écarts (Gap Analysis) entre les compétences acquises par l'étudiant (via ses notes) et les pré-requis de son métier cible.
• Coaching Génératif : Interfaçage avec le modèle Google Gemini 2.0 pour transformer les données analytiques en conseils pédagogiques contextualisés et bienveillants.

3. Administration

• Importation en masse des étudiants et inscriptions via fichiers CSV/Excel.
• Configuration des modalités d'évaluation et des coefficients.

Architecture Technique

Le projet suit une architecture modulaire basée sur le framework FastAPI (Python), favorisant la maintenabilité et l'évolutivité.

Arborescence du Projet

Temi/
├── app/
│   ├── api/                 # Contrôleurs API (Routes)
│   │   └── v1/
│   │       ├── academic.py  # Gestion structurelle (Filières, Classes)
│   │       ├── advisor.py   # Endpoints du module IA
│   │       ├── auth.py      # Authentification
│   │       ├── career.py    # Gestion des carrières et compétences
│   │       ├── grades.py    # Saisie des notes et bulletins
│   │       ├── pedagogy.py  # Gestion des UE/ECUE
│   │       ├── students.py  # Gestion des étudiants
│   │       └── users.py     # Gestion des utilisateurs système
│   ├── core/                # Configuration globale
│   │   ├── database.py      # Connexion BDD (SQLAlchemy)
│   │   └── security.py      # Hachage et sécurité
│   ├── models/              # Modèles de données (ORM)
│   │   ├── academic.py      # Tables Année, Filière, Classe
│   │   ├── career.py        # Tables Domaine, Skill et Liaisons
│   │   ├── grade.py         # Table Notes
│   │   ├── pedagogy.py      # Tables UE, ECUE, Evaluation
│   │   └── user.py          # Tables User, Enrollment
│   ├── schemas/             # Schémas de validation (Pydantic)
│   └── services/            # Logique métier complexe
│       ├── ai_advisor.py    # Moteur de diagnostic et client Gemini
│       ├── calculator.py    # Algorithmes de calcul de moyennes
│       └── importer.py      # Service d'import Excel/CSV
├── .env                     # Variables d'environnement (Clés API)
├── main.py                  # Point d'entrée de l'application
└── requirements.txt         # Dépendances Python

Installation et Déploiement

Pré-requis

• Python 3.10 ou version supérieure.
• Une clé API Google AI Studio valide (pour le module IA).

Procédure d'installation

1. Cloner le dépôt :

   git clone https://github.com/manfoya/Temi.git
   cd Temi

2. Configurer l'environnement virtuel :

   python -m venv venv
   source venv/bin/activate  # Sur Linux/Mac
   # ou venv\Scripts\activate sur Windows

3. Installer les dépendances :

   pip install -r requirements.txt

4. Configuration : Créez un fichier .env à la racine et ajoutez votre clé :

   GOOGLE_API_KEY=votre_cle_ici

Initialisation de la Base de Données

Un script de démonstration est fourni pour peupler la base de données avec un scénario complet (École, Matières, Compétences, Étudiant, Notes).

# 1. Lancer le serveur pour créer la structure des tables
uvicorn app.main:app --reload
# (Une fois le serveur démarré, l'arrêter avec CTRL+C)

# 2. Exécuter le script de remplissage
python seed_full_demo.py

Lancement

uvicorn app.main:app --reload

L'interface de documentation (Swagger UI) est accessible à l'adresse : http://127.0.0.1:8000/docs

---

Auteurs

Martial TCHOKPON Projet académique pour l'ENSPD.

---