Meeting App
Rendre un traitement complexe compréhensible et récupérable.
Visiter le site en ligne
Le problème
La connaissance issue d'une réunion se perd facilement entre les enregistrements bruts, les notes incomplètes, les besoins linguistiques et les fichiers dispersés. Une fonction d'IA ne suffit pas : tout le parcours doit rester clair lorsque le traitement ralentit ou échoue.
La réponse
J'ai dirigé l'implémentation React Native de l'enregistrement, du traitement audio, de la transcription, des rapports structurés, de l'historique local, de la lecture, des reprises, du verrouillage et de l'export de documents.
Décisions structurantes
- 01
Un pipeline visible et récupérable
Enregistrement, transcription, nettoyage, génération et sauvegarde sont des étapes explicites. L'application conserve l'état nécessaire pour reprendre à l'étape échouée.
- 02
L'historique fait partie du produit
Audio, transcription nettoyée, rapports par langue et métadonnées restent liés dans une même réunion afin que le résultat survive à l'écran initial.
- 03
Les limites externes restent visibles
Le changement de modèle traite certaines erreurs de quota, mais ne prétend pas résoudre les limites globales de projet, de facturation, de région ou de précision.
Preuves mises en œuvre
- Application Android React Native avec historique SQLite local et stockage sécurisé des clés sur l'appareil.
- Enregistrement, découpage, transcription, génération de rapports, lecture audio et exports PDF/DOCX.
- Lecture compatible des formats de rapports multilingues anciens et actuels.
- Corrections de navigation, verrouillage, zones sûres, reprise et performance soutenues par les tests et l'intégration continue.
- Code For Chad a présenté publiquement Meeting comme une solution développée localement, a nommé Amdjad Aboubakar comme développeur et a lié la démo en ligne.
Limites actuelles
- L'application n'est pas présentée comme une version publique de production.
- La transcription et les rapports dépendent des conditions audio et de services externes.
- Le modèle de secours améliore la résilience mais ne crée pas un quota indisponible.
Un produit d'IA fiable dépend surtout du système autour du modèle : étapes claires, état sauvegardé, données compatibles, erreurs honnêtes et voie utile lorsque le fournisseur ne peut plus continuer.