AI & Dev Mobile/Web · Étude de cas
Application de Petites Annonces avec Recommandations Personnalisées
Application multiplateforme de petites annonces avec système de recommandations personnalisées basé sur l'IA.
Le point de départ
Transformer un besoin réel en système exploitable.
Application évolutive développée en Flutter avec backend microservices (Spring Boot/Kotlin puis Quarkus). Architecture hexagonale, APIs GraphQL, sécurité Keycloak, et moteur de recommandations Vespa AI pour la recherche sémantique et le filtrage collaboratif. Messagerie temps réel via RabbitMQ.
Évolution Technologique
Développement initial avec Flutter et Firebase pour un déploiement rapide, incluant l'authentification et la messagerie instantanée.
Architecture modulaire DDD : conception de modules découplés selon Domain-Driven Design.
Architecture hybride SQL/NoSQL : USERS en SQL et collections dénormalisées en NoSQL, accompagnées d'un diagramme ER.
Microservices hexagonaux & GraphQL : refonte en Spring Boot & Kotlin avec APIs GraphQL et échanges via RabbitMQ, sécurisés par Keycloak et Spring Security.
Migration vers Quarkus : optimisation du temps de démarrage et de l'utilisation mémoire des microservices, tout en maintenant Vespa AI pour la recherche.
Design et UI/UX
Conception de l'interface avec Figma : wireframes et prototypes interactifs pour Android, iOS et Web.
Architecture & GitOps
MVVM pour le frontend Flutter et microservices hexagonaux pour le backend, avec pipeline CI/CD GitOps.
Frontend Multiplateforme
Développement Flutter pour une UX unifiée sur Android, iOS et Web.
Recommandations Personnalisées
Intégration de Vespa AI pour la recommandation sémantique et le filtrage collaboratif des annonces.
Stack & disciplines
Explorer les compétences du projet.
Clique sur une carte pour comprendre son rôle et la manière dont elle intervient dans la réalisation.