Cahier des charges

Cahier des charges

Note

Ce document présente les spécifications fonctionnelles et techniques du projet Mindlet, développé dans le cadre du Master 2 Informatique - Parcours Développement Full Stack à l’Université de Corse Pasquale Paoli.

---

1. Contexte du projet

Problématique

L’apprentissage moderne fait face à plusieurs défis majeurs :

• Surcharge informationnelle : les apprenants sont submergés par la quantité de contenus disponibles
• Manque de temps : créer des supports d’apprentissage efficaces demande un investissement conséquent
• Méthodes inadaptées : les techniques d’apprentissage traditionnelles ne tirent pas parti des avancées en sciences cognitives
• Accessibilité limitée : peu d’outils prennent en compte les troubles d’apprentissage (dyslexie, etc.)

Origine du projet

Mindlet est né d’un constat simple : transformer n’importe quel contenu pédagogique en exercices interactifs devrait être automatique et instantané.

Élément	Détail
Formation	Master 2 Informatique - Développement Full Stack
Université	Université de Corse Pasquale Paoli
Année	2025-2026
Équipe	Mehdi Ghoulam, Anthony Menghi

Projets similaires et concurrence

Analyse des concurrents directs

Application	Type	Points forts	Points faibles	IA générative	Prix
Anki	Open source	Puissant, répétition espacée, personnalisable	Interface datée, courbe d’apprentissage élevée	Non	Gratuit
Quizlet	SaaS	Large communauté, multiplateforme	IA limitée, pas de génération automatique	Basique	Freemium
Brainscape	SaaS	Flashcards basées sur les sciences cognitives	Contenus limités, payant	Non	9.99€/mois
Kahoot	SaaS	Gamification, mode classe engageant	Orienté enseignant uniquement	Non	Freemium
Notion	SaaS	Flexible, wiki personnel	Pas de fonctions d’apprentissage actif	Oui	Freemium
ChatGPT	SaaS	Puissant, polyvalent	Pas spécialisé éducation, pas de suivi	Oui	Freemium

Positionnement de Mindlet

Génération IA automatique

Transformation instantanée de n’importe quel contenu (PDF, audio, vidéo, web) en exercices interactifs grâce à l’IA

10+ formats d'apprentissage

Flashcards, QCM, vrai/faux, associations, textes à trous, mind maps, timelines, jeux interactifs…

Accessibilité native

Support des troubles d’apprentissage : police OpenDyslexic, mode contraste élevé, lecteur d’écran

Import multimodal

PDF, images, audio, vidéo, YouTube, sites web - tout devient source d’apprentissage

---

2. Définition du besoin

Utilisateurs cibles

Étudiants

Besoin principal : Réviser efficacement pour les examens

• Transformer leurs cours en exercices
• Suivre leur progression
• Apprendre n’importe où (mobile)

Professionnels

Besoin principal : Formation continue

• Mémoriser des procédures
• Préparer des certifications
• Partager des connaissances

Enseignants

Besoin principal : Créer du contenu pédagogique

• Générer des exercices rapidement
• Partager avec leurs élèves
• Suivre la progression de classe

Diagramme des cas d’utilisation

Cas d'utilisation - Mindlet

100% SVG

flowchart TB
    subgraph Acteurs["Acteurs"]
        USER[("Utilisateur")]
        AI[("Service IA")]
    end

    subgraph Import["UC: Importer du contenu"]
        UC1["Importer un document PDF"]
        UC2["Importer une image"]
        UC3["Importer un fichier audio/vidéo"]
        UC4["Importer depuis YouTube"]
        UC5["Importer depuis un site web"]
        UC6["Saisir du texte manuellement"]
    end

    subgraph Learn["UC: Apprendre"]
        UC7["Réviser avec des flashcards"]
        UC8["Passer un quiz QCM"]
        UC9["Jouer à un jeu interactif"]
        UC10["Consulter ses statistiques"]
        UC11["Planifier ses révisions"]
    end

    subgraph Manage["UC: Gérer ses collections"]
        UC12["Créer une collection"]
        UC13["Organiser ses cartes"]
        UC14["Partager une collection"]
        UC15["Explorer la communauté"]
    end

    USER --> Import
    USER --> Learn
    USER --> Manage
    AI -.->|"génère"| UC1
    AI -.->|"génère"| UC2
    AI -.->|"génère"| UC3
    AI -.->|"génère"| UC4
    AI -.->|"génère"| UC5

    style Acteurs fill:#1565c0
    style Import fill:#e65100
    style Learn fill:#2e7d32
    style Manage fill:#ad1457

Flux de génération IA

Pipeline de génération des cartes

100% SVG

flowchart LR
    subgraph Input["Entrée"]
        I1["PDF"]
        I2["Image"]
        I3["Audio"]
        I4["Vidéo"]
        I5["YouTube"]
        I6["Site web"]
    end

    subgraph Process["Traitement IA"]
        P1["Extraction\ndu contenu"]
        P2["Analyse\nsémantique"]
        P3["Génération\nembeddings"]
        P4["Création\ndes cartes"]
    end

    subgraph Output["Sortie"]
        O1["Flashcards"]
        O2["QCM"]
        O3["Vrai/Faux"]
        O4["Associations"]
        O5["etc."]
    end

    Input --> P1
    P1 --> P2
    P2 --> P3
    P3 --> P4
    P4 --> Output

    style Input fill:#ff8f00
    style Process fill:#388e3c
    style Output fill:#1976d2

Exigences fonctionnelles

Import de contenus

ID	Exigence	Priorité	Statut
EF01	Importer des documents PDF et en extraire le texte	Haute	Fait
EF02	Importer des images et appliquer l’OCR (mistral-ocr-latest)	Haute	Fait
EF03	Importer des fichiers audio et les transcrire (voxtral-mini-latest)	Haute	Fait
EF04	Importer des vidéos YouTube et extraire la transcription	Moyenne	Fait
EF05	Importer depuis un site web (crawling + conversion markdown)	Moyenne	Fait
EF06	Importer des fichiers vidéo (extraction audio puis transcription)	Moyenne	Fait
EF07	Saisir du texte manuellement	Haute	Fait

Génération de cartes (9 types)

ID	Exigence	Priorité	Statut
EF08	Générer automatiquement des flashcards (question/réponse)	Haute	Fait
EF09	Générer automatiquement des QCM avec distracteurs intelligents	Haute	Fait
EF10	Générer automatiquement des vrai/faux avec explication	Haute	Fait
EF11	Générer des associations (match pair terme/définition)	Haute	Fait
EF12	Générer des cartes texte libre (réponse ouverte)	Moyenne	Fait
EF13	Générer des cartes slider (estimation numérique)	Moyenne	Fait
EF14	Générer des cartes drag & drop (catégorisation)	Moyenne	Fait
EF15	Générer des cartes ranking (classement par ordre)	Moyenne	Fait
EF16	Générer des cartes geo guess (localisation sur carte)	Basse	Fait

Apprentissage et révision

ID	Exigence	Priorité	Statut
EF17	Système de répétition espacée pour les flashcards	Haute	Fait
EF18	Sessions de révision interactives	Haute	Fait
EF19	Jeux interactifs et gamification	Moyenne	Fait
EF20	Statistiques d’apprentissage (progression, scores)	Moyenne	Fait

Gestion des contenus

ID	Exigence	Priorité	Statut
EF21	Créer et organiser des collections	Haute	Fait
EF22	Éditer et supprimer des cartes manuellement	Haute	Fait
EF23	Recherche sémantique dans les contenus (embeddings Qdrant)	Moyenne	Fait

Collaboration et communauté

ID	Exigence	Priorité	Statut
EF24	Partager des collections avec la communauté	Moyenne	En cours
EF25	Explorer les collections publiques	Moyenne	Planifié
EF26	Rejoindre des groupes d’étude	Basse	Planifié
EF27	Messagerie entre apprenants	Basse	Planifié

Accessibilité

ID	Exigence	Priorité	Statut
EF28	Support VoiceOver/TalkBack (lecteurs d’écran)	Haute	Fait
EF29	Police OpenDyslexic pour la dyslexie	Haute	Fait
EF30	Mode contraste élevé pour malvoyants	Moyenne	Fait
EF31	Respect des préférences système (taille texte, animations réduites)	Moyenne	Fait

Authentification et sécurité

ID	Exigence	Priorité	Statut
EF32	Authentification JWT (Laravel Sanctum)	Haute	Fait
EF33	Vérification email obligatoire	Haute	Fait
EF34	Chiffrement des données sensibles (AES-256)	Haute	Fait
EF35	Rate limiting API (60 req/min)	Haute	Planifié

---

3. Résultats attendus

Planning des versions

Gantt - Planning des versions Mindlet

100% SVG

gantt
    title Planning des versions Mindlet
    dateFormat YYYY-MM
    axisFormat %b %Y

    section V0 - Minimal
    Architecture de base          :done, v0-1, 2025-09, 1M
    Import texte et PDF           :done, v0-2, 2025-10, 1M
    Génération flashcards         :done, v0-3, 2025-10, 1M
    Authentification              :done, v0-4, 2025-10, 1M

    section V1 - Acceptable
    Import multimodal complet     :done, v1-1, 2025-11, 1M
    9 types de cartes             :done, v1-2, 2025-11, 2M
    Répétition espacée            :done, v1-3, 2025-11, 1M
    Gestion des collections       :done, v1-4, 2025-11, 1M
    Beta publique                 :done, v1-5, 2025-12, 1M

    section V2 - Optimal
    Partage communautaire         :active, v2-1, 2026-01, 2M
    Exploration communauté        :v2-2, 2026-02, 2M
    Groupes d'étude               :v2-3, 2026-03, 1M

    section V3 - Dream
    Mode B2B entreprises          :v3-1, 2026-04, 3M
    API publique développeurs     :v3-2, 2026-06, 2M
    Mode hors-ligne               :v3-3, 2026-07, 2M

Détail des versions

V0 - Minimal

Terminé

Objectif : Prouver la faisabilité technique du concept

Fonctionnalité	Responsable	Statut
Architecture microservices	Mehdi	Fait
Import texte brut	Anthony	Fait
Import PDF avec extraction	Anthony	Fait
Génération flashcards basique	Anthony	Fait
Interface mobile basique	Mehdi	Fait
Authentification JWT	Mehdi	Fait

Livrable : Prototype fonctionnel démontrant la génération de flashcards à partir d’un PDF

V1 - Acceptable

Terminé

Objectif : Application utilisable en conditions réelles (beta)

Fonctionnalité	Responsable	Statut
Import images avec OCR (mistral-ocr)	Anthony	Fait
Import audio (transcription voxtral)	Anthony	Fait
Import vidéo/YouTube	Anthony	Fait
Import site web (crawling)	Anthony	Fait
9 types de cartes (flashcard, QCM, vrai/faux, associations, texte libre, slider, drag&drop, ranking, geo guess)	Anthony	Fait
Architecture agentic 5 agents (Planner, Generator, Critic, Refiner, Finalizer)	Anthony	Fait
Système de répétition espacée	Anthony	Fait
Gestion des collections	Mehdi	Fait
Statistiques d’apprentissage	Mehdi	Fait
Gamification et jeux interactifs	Mehdi	Fait
Mode accessibilité (dyslexie, contraste, VoiceOver)	Mehdi	Fait
UI/UX complète React Native	Mehdi	Fait

Livrable : Beta publique avec import multimodal, 9 formats de cartes et répétition espacée

V2 - Optimal

En cours

Objectif : Application complète avec fonctionnalités communautaires

Fonctionnalité	Responsable	Statut
Partage de collections publiques	Mehdi	En cours
Exploration des collections communauté	Mehdi	Planifié
Groupes d’étude et défis collectifs	Mehdi	Planifié
Messagerie entre apprenants	Mehdi	Planifié
Optimisation performances et scalabilité	Équipe	En cours

Livrable : Application complète avec fonctionnalités communautaires et sociales

V3 - Dream

Vision

Objectif : Vision long terme et expansion

Fonctionnalité	Responsable	Statut
Mode B2B (entreprises, écoles)	À définir	Vision
API publique pour développeurs	À définir	Vision
Mode hors-ligne complet	À définir	Vision
Accessibilité avancée	À définir	Vision
Applications desktop	À définir	Vision
Intégrations LMS	À définir	Vision

Livrable : Plateforme complète B2B/B2C avec écosystème ouvert

Répartition des responsabilités

Domaine	Mehdi Ghoulam	Anthony Menghi
Frontend React Native	Principal	Support
Backend Laravel	Principal	Support
Service IA	Support	Principal
DevOps / Kubernetes	Principal	Support
Base de données	Principal	Support
Tests	Partagé	Partagé
Documentation	Partagé	Partagé

---

4. Contraintes du projet

Contraintes techniques imposées

Caution

Les contraintes suivantes sont imposées par le cadre académique du projet.

Contrainte académique	Solution Mindlet	Conformité
Infrastructure à base de conteneurs	Kubernetes managé (OVHcloud)	Conforme
Backend en microservices ou API	Laravel API + Service IA séparé	Conforme
Une ou plusieurs bases de données	PostgreSQL + Qdrant + Redis	Conforme
Frontend responsive ou application native	React Native (iOS + Android)	Conforme
Service basé sur l’IA (optionnel)	LangGraph + Mistral AI	Conforme

Architecture répondant aux contraintes

Architecture - Contraintes techniques

100% SVG

flowchart TB
    subgraph Frontend["Application Native"]
        RN["React Native\n(Expo)"]
        RN2["iOS + Android"]
    end

    subgraph Backend["Backend Microservices"]
        API["Laravel API\n(RESTful)"]
        IA["Service IA\n(LangGraph)"]
    end

    subgraph Data["Bases de données multiples"]
        PG["PostgreSQL\n(Relationnel)"]
        QD["Qdrant\n(Vectoriel)"]
        RD["Redis\n(Cache)"]
    end

    subgraph Infra["Infrastructure Conteneurs"]
        K8S["Kubernetes\n(OVHcloud)"]
        LB["Load Balancer"]
    end

    RN --> RN2
    RN2 <-->|"HTTPS/JSON"| LB
    LB --> API
    API <-->|"HTTP"| IA
    API --> PG
    API --> RD
    IA --> QD

    K8S --> API
    K8S --> IA

    style Frontend fill:#1565c0
    style Backend fill:#e65100
    style Data fill:#2e7d32
    style Infra fill:#ad1457

Détail des contraintes techniques

Infrastructure

Contrainte : Infrastructure à base de conteneurs

Solution :

• Orchestration : Kubernetes managé (OVHcloud)
• Containerisation : Docker pour tous les services
• CI/CD : GitHub Actions
• Monitoring : Prometheus + Grafana
• Load Balancing : OVHcloud Cloud Load Balancer

Avantages :

• Scalabilité horizontale automatique
• Haute disponibilité
• Déploiements sans interruption

Backend

Contrainte : Backend en microservices ou API

Solution :

• API principale : Laravel 12 (PHP 8.4)
• Service IA : LangGraph (Python)
• Communication : REST (JSON) et HTTP interne
• Documentation : OpenAPI/Swagger (Scramble)

Architecture :

• Pattern Repository pour l’abstraction des données
• Service Layer pour la logique métier
• Jobs asynchrones via Laravel Horizon

Bases de données

Contrainte : Une ou plusieurs bases de données

Solution :

Base	Type	Usage
PostgreSQL	Relationnelle	Utilisateurs, collections, cartes, métadonnées
Qdrant	Vectorielle	Embeddings pour recherche sémantique
Redis	Clé-valeur	Cache, sessions, queues de jobs

Hébergement :

• PostgreSQL : Neon (managed)
• Qdrant : Qdrant Cloud (managed)
• Redis : Upstash (managed)

Frontend

Contrainte : Frontend responsive ou application native

Solution : Application native cross-platform

• Framework : React Native avec Expo
• Langage : TypeScript
• State : Zustand
• Navigation : Expo Router (file-based)
• Styling : NativeWind (Tailwind CSS)

Plateformes :

• iOS (iPhone, iPad)
• Android (smartphones, tablettes)

Service IA

Contrainte : Service basé sur l’IA (optionnel mais implémenté)

Solution :

Composant	Technologie	Usage
Orchestration	LangGraph	Workflows et agents IA
LLM principal	Mistral AI	Génération de contenu
Embeddings	mistral-embed	Vectorisation (1024 dim)
OCR	mistral-ocr-latest	Extraction texte images
Transcription	voxtral-mini-latest	Audio vers texte

Architecture agentique : 5 agents collaboratifs (Planner, Generator, Critic, Refiner, Finalizer)

Contraintes réglementaires

Contrainte	Mesure
RGPD	Hébergement 100% européen (OVHcloud, Hetzner)
Chiffrement	TLS 1.3 pour toutes les communications
Données sensibles	AES-256 pour les données au repos
Mots de passe	Hachage bcrypt
Consentement	Collecte explicite et minimale

---

5. Ressources nécessaires

Ressources humaines

Rôle	Personne	Compétences	Allocation
Développeur Full Stack	Mehdi Ghoulam	React Native, Laravel, Kubernetes, DevOps	100%
Ingénieur IA	Anthony Menghi	LangGraph, Python, Mistral AI, LangChain	100%
Encadrant universitaire	Université de Corse	Suivi pédagogique, validation académique	Ponctuel
Mentor PEPITE	Réseau PEPITE	Accompagnement entrepreneurial	Ponctuel

Ressources matérielles

Ressource	Description	Statut
MacBook Pro x2	Machines de développement	Disponible
iPhone (test)	Tests iOS natifs	Disponible
Smartphone Android (test)	Tests Android natifs	Disponible
Casques audio	Tests fonctionnalités audio	Disponible

Ressources infrastructure

Service	Fournisseur	Usage	Coût mensuel estimé
Kubernetes	OVHcloud	Orchestration conteneurs	~100€
Stockage S3	Hetzner	Fichiers utilisateurs	~20€
PostgreSQL	Neon	Base relationnelle	Gratuit (dev)
Qdrant	Qdrant Cloud	Base vectorielle	Gratuit (dev)
Redis	Upstash	Cache et queues	Gratuit (dev)
CDN	Cloudflare	Distribution statique	Gratuit
Domaine	OVH	mindlet.app	~15€/an

Coût total estimé : ~150€/mois en phase de développement

Ressources logicielles

Logiciel	Licence	Coût
React Native / Expo	MIT	Gratuit
Laravel	MIT	Gratuit
LangGraph / LangChain	Apache 2.0	Gratuit
Mistral AI API	Payante	~50€/mois
PostgreSQL	PostgreSQL License	Gratuit
Redis	BSD	Gratuit
GitHub	Freemium	Gratuit (education)
Figma	Freemium	Gratuit (education)
VS Code	MIT	Gratuit

Ressources données

Type de données	Source	Usage	Volume estimé
Contenus pédagogiques	Utilisateurs	Génération de cartes	Variable
Embeddings vectoriels	Mistral AI	Recherche sémantique	~1GB/10k docs
Métriques d’apprentissage	Application	Personnalisation, stats	~100MB/1k users
Logs et monitoring	Infrastructure	Debugging, optimisation	~1GB/mois

---

Synthèse

Projet validé

Lauréats nationaux PEPITE France (30 finalistes sur 1000+ candidats)

Contraintes respectées

Infrastructure conteneurs, microservices, multi-BDD, app native, IA

Équipe soudée

Développement collaboratif avec répartition claire des responsabilités

V1 livrée

Beta publique opérationnelle depuis décembre 2025

---

Cahier des charges - Mindlet - Version 1.0 - Janvier 2026