Eden Garden

Inspiration

Les outils IA éducatifs existants sont brillants et complètement déconnectés de la réalité de l'étudiant. Ils ignorent votre programme, votre professeur, votre façon d'être noté. On voulait construire quelque chose d'ancré dans le vrai : un système où chaque cours vit dans son propre compartiment, où l'IA ne répond que depuis ce que vous lui avez confié.

What it does

Eden Garden organise vos cours en compartiments individuels un par matière, un par prof. Vous uploadez vos PDFs ou scannez vos cahiers directement depuis votre téléphone. L'IA indexe ce contenu exact et devient experte de chaque compartiment séparément. Elle génère des quiz et exercices ancrés page par page dans vos cours, produit des résumés intelligents par chapitres, détecte vos lacunes en temps réel, et prédit le style d'examen de votre professeur. Elle repère aussi les contradictions quand deux de vos cours définissent un même concept différemment avant que ça vous coûte des points. Vous choisissez votre modèle IA selon votre budget : Groq, Gemini, GPT ou Claude.

How we built it

Le frontend est une PWA React + Vite avec support offline via Service Worker. Le backend tourne sur FastAPI. Les cours sont extraits via PyMuPDF, découpés en chunks sémantiques, vectorisés avec sentence-transformers et stockés dans ChromaDB une collection isolée par compartiment. Le scanner de cahier utilise OpenCV pour le traitement image et EasyOCR pour la reconnaissance de texte. Le moteur RAG récupère les chunks les plus pertinents et les injecte dans le prompt LLM avec un system prompt dynamique construit depuis le profil professeur renseigné à la création du compartiment.

Challenges we ran into

Faire en sorte que les réponses restent strictement ancrées dans le corpus sans halluciner de contenu externe a demandé un travail fin sur la construction des prompts RAG. Le scanner de cahier a été le défi technique le plus imprévisible les conditions d'éclairage, l'inclinaison, la qualité du papier introduisent une variance énorme que l'étape de prétraitement OpenCV doit absorber. Isoler hermétiquement les bases vectorielles compartiment par compartiment sans explosion de la mémoire a aussi nécessité plusieurs itérations sur l'architecture ChromaDB.

Accomplishments that we're proud of

L'examen prédictif fonctionne. En analysant les patterns d'un corpus de cours, l'IA reproduit fidèlement le style de notation d'un professeur type de questions, structure, vocabulaire attendu. La détection de contradictions inter-compartiments est la feature dont on est le plus fiers : elle révèle des incohérences que ni l'étudiant ni parfois l'enseignant n'avaient consciemment remarquées. Et le flow complet scanner → quiz tient en moins de 30 secondes.

What we learned

Que la qualité d'un système RAG dépend moins du modèle LLM que de la qualité du chunking et de la pertinence des métadonnées attachées à chaque vecteur. Que demander à l'utilisateur les bonnes informations au bon moment le profil professeur à la création du compartiment vaut mille paramètres de configuration cachés. Et que la contrainte du hackathon force des choix d'architecture qu'on n'aurait pas osés autrement.

What's next for Eden Garden

Mode hors-ligne complet pour les zones à connectivité limitée. Flashcards avec répétition espacée générées depuis les erreurs de quiz. Jardin partagé deux étudiants du même cours fusionnent leurs compartiments et révisent avec une base de connaissance commune. Mode professeur l'enseignant crée un espace partagé pour toute sa classe. Et une application mobile native pour que le scanner de cahier devienne aussi naturel que prendre une photo.