Détection NLP non supervisée de sujets récurrents

Problème

Cartographier les sujets récurrents du flux d’emails entrant d’un cabinet de paie / gestion sociale, sans aucun jeu de labels existant.

Contrainte

Apprentissage non supervisé (aucune vérité terrain), données de paie ultra-sensibles (RGPD), et nécessité de passer à l’échelle.

Approche

• Pipeline conçu seul de bout en bout : ingestion (Microsoft Graph API) → anonymisation RGPD → embeddings → clustering → nommage par LLM → dataviz.
• Embeddings BGE-M3 auto-hébergés, réduction UMAP + clustering HDBSCAN, nommage des clusters par LLM.
• Anonymisation Presidio + spaCy FR + détecteurs à checksum (NIR, IBAN, SIRET, CB).

Résultat

• Qualité du modèle validée sur un corpus synthétique labellisé : ARI 0,88 / F1 0,94.
• Passage à l’échelle sur ~43 000 emails réels, avec hiérarchie de thèmes macro → micro et exécutions reproductibles (caches disque).