Vue d'ensemble du produit

MRO Copilot est un SaaS qui automatise le nettoyage des catalogues de pièces de rechange MRO grâce à l'IA. 10x plus rapide qu'Excel, 10x moins cher qu'un consultant.

10x

plus rapide qu'Excel

Un analyste traite ~200 lignes/jour manuellement. MRO Copilot traite 2 000+ lignes/heure avec validation humaine.

10x

moins cher qu'un consultant

Consultant MRO : $150-300/heure, 6-12 mois par projet. MRO Copilot : abonnement SaaS annuel $8K-42K, illimité.

75-85 %

précision few-shot

Précision réaliste en few-shot (sans fine-tuning). Après fine-tuning sur données client : 90 %+ attendu.

Complémentaire à votre EAM

MRO Copilot ne remplace pas Maximo ou SAP PM — il les rend enfin utilisables en s'attaquant au problème fondamental que ces plateformes ignorent : la qualité des données.

Diagramme d'intégration MRO Copilot — connecté à Maximo, SAP PM, Infor, Oracle

Modèle de déploiement SaaS « Alongside »

Pas un plugin — un service externe multi-EAM connecté via API

IBM Maximo

API OSLC

SAP PM / S/4HANA

API OData

Infor EAM

API REST

Oracle eAM

API REST

CSV / Excel

Import direct

Export / Import

MRO Copilot

Couche de nettoyage de données par IA

Normaliser

Format ISO 8601-12

Classifier

UNSPSC & eCl@ss

Dédoublonner

Hybride multi-signaux

Enrichir

Extraction d'attributs

Compatible multi-EAM

Fonctionne avec Maximo, SAP PM, Infor, Oracle et tout système qui exporte en CSV/Excel. Un seul outil pour tous vos EAM.

Aucun risque de mise à jour

Un plugin casse à chaque upgrade EAM. Un SaaS a son propre cycle de release — indépendant et toujours à jour.

Intégration progressive

Commencez avec l'import/export CSV dès aujourd'hui. Connecteurs bidirectionnels natifs (Maximo OSLC, SAP OData) en Phase 2.

Feuille de route d'intégration

D'un outil CSV autonome à une couche de données EAM entièrement connectée — chaque phase délivre de la valeur indépendamment.

Phases d'intégration — du CSV autonome aux connecteurs EAM natifs
En cours

Phase 1 — MVP

SaaS autonome

Upload d'exports CSV/Excel depuis n'importe quel EAM. Nettoyage IA + dédoublonnage. Téléchargement des données nettoyées pour réimport dans votre EAM.

  • Upload CSV/Excel depuis tout EAM
  • Nettoyage LLM (Haiku + Sonnet tiered)
  • Dédoublonnage hybride
  • Export avec piste d'audit
Planifié

Phase 1.5

SaaS + Classification

Ajout de la classification UNSPSC/eCl@ss, LLM fine-tuné et architecture multi-tenant.

  • Classification UNSPSC/eCl@ss automatique
  • LLM fine-tuné sur corpus MRO
  • SaaS multi-tenant
  • Bootstrap du Knowledge Graph
Planifié

Phase 2

Synchronisation EAM bidirectionnelle

Connecteurs natifs pour Maximo OSLC, SAP OData et Infor REST. Lecture des master data, nettoyage IA, push automatique.

  • Connecteur Maximo OSLC
  • Connecteur SAP PM OData
  • Connecteur Infor EAM REST
  • Push automatique vers l'EAM

Comment ça fonctionne

Trois étapes pour transformer des descriptions MRO chaotiques en données normalisées et exploitables.

Flux du pipeline LLM — téléverser, analyser, exporter
Étape 1

Téléverser

Glisser-déposer des fichiers CSV ou Excel provenant de n'importe quel EAM (Maximo, SAP PM, Infor). Détection automatique des colonnes, de l'encodage et du séparateur.

Étape 2

Analyse IA

Pipeline LLM tiered : Haiku trie 60 % des cas simples, Sonnet traite 30 % des cas complexes, Opus gère 10 % des cas ambigus. Cache Redis pour 40-60 % de hits.

Étape 3

Exporter

Télécharger les données nettoyées avec piste d'audit complète (avant/après, confiance, source). Export CSV, Excel ou push direct vers EAM via API.

Fonctionnalités MVP

Les 8 fonctionnalités core du produit minimum viable. Chacune est conçue pour être utilisable indépendamment et apporter de la valeur dès le premier upload.

Upload intelligent

Support CSV/Excel, détection automatique des colonnes MRO (description, numéro de pièce, fabricant, UOM). Gestion multi-encodage (UTF-8, Latin-1, Windows-1252).

Parsing intelligent

Extraction structurée des attributs depuis les descriptions libres : type de pièce, matériau, dimensions, standard (DIN, ANSI), fabricant, numéro de modèle.

Normalisation LLM

Réécriture des descriptions selon le format ISO 8601-12 : Noun, Modifier 1, Modifier 2, Attributs. Précision réaliste : 75-85 % en few-shot, 90 %+ après fine-tuning.

Extraction d'attributs

Identification automatique de 15-20 attributs par ligne : matériau, taille, pression, température, norme, classe, grade, finition, connexion.

Déduplication hybride

Multi-signaux : TF-IDF + embeddings sémantiques + fuzzy matching sur numéro de pièce + fabricant. Seuil de similarité configurable (0.7-0.95).

Groupes de doublons + merge

Interface visuelle de groupes de doublons avec score de confiance. Merge assisté : sélection du « golden record » avec aperçu avant/après.

Aperçu & Approbation

Revue ligne par ligne ou par lot. Approbation, rejet ou modification manuelle. Chaque décision est tracée pour la piste d'audit.

Export structuré

Export avec codes UNSPSC, eCl@ss, descriptions normalisées, attributs extraits et piste d'audit complète. Formats : CSV, Excel, JSON, API.

Précision réaliste — transparence totale

Nous communiquons des chiffres honnêtes : 75-85 % de précision en few-shot (sans entraînement spécifique sur les données du client). C'est déjà 5-10x plus rapide que le traitement manuel. Après fine-tuning sur 5 000-10 000 lignes annotées par client, la précision atteint 90 %+. Les cas restants sont routés vers une interface de revue humaine avec suggestions IA pré-remplies.

Architecture technique

Architecture conçue pour la performance, le coût et la scalabilité. Chaque composant est choisi pour une raison technique précise.

Diagramme d'architecture technique — Next.js, FastAPI, PostgreSQL, LLM tiered

LLM Tiered (Haiku 60 % + Sonnet 30 % + Opus 10 %)

Le routeur intelligent envoie les cas simples (descriptions claires, un seul attribut manquant) vers Haiku ($0.25/1M tokens). Les cas complexes (descriptions multilingues, abréviations ambiguës) vont vers Sonnet ($3/1M tokens). Opus ($15/1M tokens) est réservé aux 10 % de cas critiques. Résultat : coût moyen de $0.80-1.20/1M tokens.

Cache Redis (40-60 % hits)

Les descriptions MRO sont souvent répétitives au sein d'un même catalogue. Le cache sémantique identifie les descriptions similaires déjà traitées et retourne le résultat en <50ms au lieu de 2-5s. Économie : 40-60 % des appels LLM évités, réduction proportionnelle du coût API.

Déduplication hybride multi-signaux

Combinaison de 4 signaux : TF-IDF (similarité textuelle), embeddings sémantiques (sens du texte), fuzzy matching sur numéro de pièce (Levenshtein), et correspondance fabricant. Chaque signal vote indépendamment, le score final est une moyenne pondérée configurable.

Stack : Next.js 14 + FastAPI + PostgreSQL + pgvector

Frontend Next.js 14 (App Router, Server Components, Tailwind CSS). Backend FastAPI (Python, async, type-safe). PostgreSQL avec pgvector pour la recherche vectorielle. Architecture monorepo avec Turborepo. Déploiement : conteneurs Docker sur infrastructure cloud (AWS/GCP).

Avant / Après

Exemples réels de transformation : descriptions EAM brutes converties en données normalisées avec codes de classification.

Avant et après MRO Copilot — données EAM brutes vs données normalisées
Description brute (EAM)Description normaliséeUNSPSCeCl@ss
VIS HX M10x50 INX A2Bolt, hex head, M10x50, DIN 933, Stainless Steel A2-703116150123-11-01-01
BRNG SKF 6205 2ZBearing, ball, deep groove, SKF 6205-2Z, shielded, 25x52x15mm3117150423-05-01-01
FLT OIL HYD 10UMFilter, hydraulic oil, 10 micron, spin-on, Baldwin BT8394016150523-29-01-01
VLV GTE 2IN SS FLGValve, gate, 2 inch, stainless steel 316L, flanged, 150# ANSI4014160137-01-01-01

Les descriptions brutes proviennent de catalogues réels anonymisés. La normalisation suit le format ISO 8601-12 : Noun, Modifier, Attributs structurés. Les codes UNSPSC (niveau 4) et eCl@ss (niveau 4) sont attribués automatiquement.

Phases de développement

Roadmap technique séquencée par valeur : chaque phase est déployable indépendamment et génère du revenu.

Phase 1 — MVP

En cours

Nettoyage LLM + Dédoublonnage

Mois 1-8 (développeur solo)

  • Upload CSV/Excel avec détection automatique
  • Normalisation LLM (Haiku + Sonnet tiered)
  • Extraction d'attributs structurés
  • Dédoublonnage hybride (TF-IDF + embeddings + fuzzy)
  • Interface de revue et approbation
  • Export avec piste d'audit

Phase 1.5

Planifié

Fine-tuning + Classification UNSPSC

Mois 9-12

  • Fine-tuning du modèle sur données client réelles
  • Classification UNSPSC automatique (niveau 4)
  • Classification eCl@ss (niveau 4)
  • Amélioration précision : 75-85 % → 90 %+
  • Batch processing optimisé (1000+ lignes/min)

Phase 2

Planifié

Knowledge Graph + Connecteurs EAM

Mois 13-18

  • Knowledge Graph inter-sites (pgvector + Neo4j)
  • Connecteurs natifs Maximo, SAP PM, Infor EAM
  • API REST/GraphQL pour intégration tierce
  • SaaS multi-tenant avec isolation des données
  • Dashboard analytics et reporting

Phase 3

Vision

Multimodal + KG avancé

Mois 19-24

  • Analyse d'images de pièces (vision LLM)
  • Knowledge Graph avancé avec raisonnement
  • Recommandation de substituts / équivalents
  • Prédiction de consommation MRO
  • Marketplace de données MRO normalisées
Retour à l'aperçu