Inspiration
Les outils d'aide à l'investissement donnent souvent une réponse sans dire d'où elle vient. Ils posent aussi le même questionnaire à tout le monde, quel que soit le niveau de connaissances. Pour le Datathon PolyFinances 2026 (Banque Nationale x AWS), on voulait un assistant agentique explicable : chaque investisseur construit son propre profil, et chaque chiffre affiché cite sa source.
Simulation seulement : aucune transaction réelle, aucun conseil financier personnalisé, aucun compte client réel. Le code calcule, le modèle explique.
Ce que fait AlphaForge AI
- Profil sur mesure : des questions de base déterministes, sans modèle. Ensuite, un agent (A1) relance seulement sur ce qui manque, et un autre (A2) lit le portefeuille existant de l'investisseur, sous n'importe quelle forme. C'est le code qui le valorise. Le code calcule aussi la complétude du profil (seuil de 70 %).
- Portefeuille simulé : le profil est traduit en mandat. Le code choisit les titres, puis un optimiseur calcule les poids sous les limites du profil. Ensuite, un avocat (A3) et quatre lentilles critiques en débattent sur deux tours. Un Judge déterministe fait 28 contrôles sur chaque plafond, et l'explication s'appuie sur des faits sourcés. Aucun poids ni aucun chiffre ne vient d'un modèle.
- Veille web : toutes les 6 h, des agents collectent la presse (A4) et les données publiques (A5), avec des experts de sujet et leurs chercheurs. Un superviseur (A6) valide la source et la date de publication de chaque document avant qu'il entre dans la Knowledge Base générale.
- Explicabilité : chaque requête renvoie sa trace (étape déterministe, agent, outil, modèle, stockage, garde-fou), affichée à côté du dialogue. Chaque décision de portefeuille garde aussi sa trace X-Ray.
- Rejeu historique : Step Functions rejoue cinq ans de marché, mois par mois.
Comment on l'a construit
- Agents : Python, Strands Agents sur Amazon Bedrock AgentCore (8 runtimes tirés d'un seul zip de code), et Claude Opus 5.5 sur Bedrock partout, avec un effort réglé par agent et des Bedrock Guardrails (pas de transaction, renseignements personnels bloqués ou masqués).
- Connaissances : une Knowledge Base Bedrock sur S3 Vectors pour la base générale, plus une Knowledge Base par investisseur, et S3 chiffré par KMS.
- Orchestration : Step Functions et EventBridge Scheduler pour la veille, SageMaker Processing, Glue et Athena pour les scénarios probabilistes, et DynamoDB pour la chaîne d'audit.
- Finance : numpy, pandas et cvxpy pour l'optimisation. Le jeu de départ des organisateurs compte 31 actifs sur 5 ans, et on a ajouté des données longues de 1926 à 2026 (Ken French, FRED, Shiller, Banque du Canada).
- Interface : Next.js sur ECS Fargate, derrière un ALB et CloudFront, avec Cognito pour la connexion (un compte = un profil).
- Déploiement : Terraform via HCP Terraform, avec OIDC et aucune clé AWS dans GitHub Actions. Chaque push sur
masterteste, construit et déploie.
Défis
- Garder le modèle hors des calculs : les LLM plaident, jugent et reformulent, mais tous les poids et tous les chiffres viennent du code. Il a fallu un contrat strict entre les composants et un Judge déterministe.
- Les limites d'un compte AWS temporaire : une seule région, des quotas de Knowledge Base et d'ingestion très bas, et la limite de 60 s de CloudFront alors qu'un portefeuille prend parfois plus de temps à construire.
- Dater l'information : chaque document de la veille doit garder sa source, sa date d'observation et sa date de publication, sinon il est rejeté.
Ce qu'on a appris
Un système multi-agent devient fiable quand chaque responsabilité est claire : le code calcule, l'agent explique, le garde-fou contrôle. Une trace complète de chaque décision rend le produit compréhensible autant pour l'investisseur que pour un régulateur.
Built With
- amazon-athena
- amazon-bedrock
- amazon-cloudfront
- amazon-cognito
- amazon-dynamodb
- amazon-ecs
- amazon-eventbridge
- amazon-s3-vectors
- amazon-web-services
- aws-fargate
- aws-glue
- aws-kms
- aws-step-functions
- aws-x-ray
- bedrock-agentcore
- bedrock-guardrails
- bedrock-knowledge-bases
- claude
- github-actions
- next.js
- python
- sagemaker
- strands-agents
- terraform
- typescript