Juriscan

MVP d'extraction automatique de données depuis des documents juridiques (assignations, commandements, PV) pour un cabinet d'huissiers. OCR + interprétation IA, extraction structurée des champs, export vers le CRM interne du client. 1 mois solo en freelance, du cadrage à la livraison.

Le cœur : un pipeline en deux temps. D'abord un OCR avec compréhension de layout sur le PDF, puis un modèle LLM qui interprète le markdown obtenu et identifie les champs à extraire (parties, dates, montants, adresses) selon le type de doc. Le tout en local sur GPU — pas d'API cloud, données sensibles obligent. Worker Rust pour orchestrer le multithreading et garder un débit correct sur des batchs de PDFs.

• Pipeline IA 100% self-hosted : DeepSeek-OCR pour la lecture, DeepSeek-Coder-V2 pour la structuration, llama.cpp + CUDA pour l'inférence — données qui ne sortent jamais du serveur du client.
• Worker Rust pour le multithreading et l'orchestration : OCR parallélisé, gestion mémoire prévisible — là où Node aurait flanché sur du gros volume.
• Front Vue 3 + shadcn-vue : upload, preview PDF côté gauche, données extraites éditables côté droit, export CSV vers le CRM client.

Backend AdonisJS 6 + PostgreSQL pour la persistance et l'API. Front Vue 3 + Tailwind + shadcn-vue. Pièce maîtresse côté infra : un worker Rust qui appelle DeepSeek-OCR puis DeepSeek-Coder-V2 (via llama.cpp) sur GPU local — multithreadé, déployé via Docker + NVIDIA Container Toolkit. Tout self-hosted : un cabinet d'huissiers ne peut pas envoyer ses docs à OpenAI.

MVP livré, en cours de test côté cabinet client. Côté perso, c'est mon premier vrai projet IA — et le premier où j'ai construit la majeure partie en pair avec un assistant IA pour le code. Une stack que je ne connaissais pas (Rust, llama.cpp, DeepSeek local sur CUDA), apprise et mise en prod en 1 mois — c'est exactement le cas d'usage où l'assistant accélère sans dégrader la qualité, à condition de garder la main sur l'archi.