Road Accident

Stacks

Python

Pandas

P

Plotly

S

SQLite

Streamlit

Ollama

🔗 Code sur GitHub · Dashboard en ligne

Contexte et objectif

Construit à partir des données officielles des accidents de la route en France (2024), ce projet répond à une question simple : qu’est-ce qui rend un accident plus grave ?
Il se déroule en deux temps : une analyse de données complète, de la donnée brute jusqu’à un dashboard interactif, puis un assistant IA capable de répondre en français à des questions sur ces données, en garantissant que les chiffres viennent toujours de la base et jamais du modèle.

Réalisation

La première partie repose sur une chaîne ETL en Python : deux sources open data (180 000 lignes) sont nettoyées avec Pandas, puis reliées et chargées dans une base SQLite. Les codes y sont traduits en libellés, et les valeurs manquantes déguisées sont traitées.
L’analyse est menée en SQL (jointures, agrégations, CASE WHEN), puis restituée dans un dashboard Streamlit / Plotly avec un filtre par département, déployé en ligne.
La seconde partie intègre un LLM local (Ollama, Qwen2.5-Coder) selon un principe : le code calcule, le LLM rédige. L’assistant traduit une question en requête SQL (text-to-SQL) grâce à une description de la base générée automatiquement et à des exemples few-shot. La base calcule ensuite la réponse. Les requêtes générées sont sécurisées (connexion en lecture seule, filtrage des instructions) et toujours affichées, par souci de transparence. Un second module rédige des résumés par département, accompagnés d’un contrôle anti-hallucination.

Résultat et reconnaissance

L’analyse met en évidence des résultats clairs : la nuit compte deux fois moins d’accidents que le jour, mais ils y sont 50 % plus meurtriers, et un accident hors agglomération est 3,2 fois plus meurtrier qu’en ville.
L’assistant a été évalué sur un jeu de test de 22 questions, avec 95 % de bonnes réponses. Cette évaluation a permis de détecter et corriger des erreurs silencieuses, c’est-à-dire des requêtes valides mais fausses, qui passent inaperçues sans test.
Ce projet m’a permis de renforcer mes compétences en ingénierie des données, en SQL, en intégration de LLM et surtout en évaluation de la fiabilité d’un système d’IA.