focus
Software Engineering
Concevoir, construire et faire évoluer des applications et des systèmes distribués qui tiennent en production.
Nos consultants interviennent au sein des équipes de développement sur l'architecture, le code, les tests, la performance et la mise en production. Leur rôle dépend du contexte, mais l'objectif reste le même : faire évoluer le système sans perdre de vue son exploitabilité.
Ce que nous traitons
- Moderniser un système historique sans interrompre le service
- Découper un monolithe devenu impossible à faire évoluer
- Concevoir une architecture distribuée cohérente plutôt qu'un empilement
- Reprendre un socle applicatif dont la dette bloque les évolutions métier
- Tenir des exigences de performance, de scalabilité ou de disponibilité
- Ouvrir un système par des API sans en fragiliser le cœur
Types de problématiques
- Refonte d'une application métier destinée aux clients finaux d'un acteur de l'épargne digitale
- Développement sur une chaîne de calcul de risque en environnement bancaire
- Découplage progressif d'un back-office en services, avec bascule sans interruption de service
- Passage d'un traitement batch nocturne à une chaîne événementielle
Écosystèmes
Java, Kotlin, Spring Boot · C#, .NET · Python · TypeScript, Node.js · React, Angular, Vue.js, Nuxt · microservices, DDD, architecture hexagonale · REST, gRPC, GraphQL · Kafka, messaging, event-driven
focus
Data & Platforms
Rendre la donnée exploitable à l'échelle, du pipeline jusqu'à l'usage.
Une plateforme de données ne vaut que par ce qu'on peut en faire. Nous construisons des chaînes d'ingestion et de transformation fiables, testées et observables, dimensionnées pour la volumétrie réelle, et pas seulement pour celle du jour de la démonstration.
Ce que nous traitons
- Industrialiser des traitements artisanaux qui ne passent plus l'échelle
- Absorber une croissance de volume ou de fréquence
- Unifier des sources hétérogènes sans construire une usine à gaz
- Fiabiliser des pipelines dont personne ne sait pourquoi ils échouent
- Passer du batch au streaming quand le métier l'exige
- Produire un reporting réglementaire fiable et traçable
- Maîtriser des coûts de plateforme qui dérivent
Types de problématiques
- Développement de nouveaux indicateurs sur une chaîne de calcul du risque de contrepartie à forte volumétrie, avec Spark
- Migration progressive de calculs de risque de marché depuis ActivePivot vers Spark, afin de réduire la dépendance à un moteur OLAP propriétaire sans dégrader les performances
- Migration d'un socle Hadoop vieillissant vers une architecture lakehouse
- Industrialisation d'un reporting réglementaire jusque-là semi-manuel
Écosystèmes
Apache Spark · Kafka · Databricks · Snowflake · BigQuery · dbt · Airflow · lakehouse, data lake, streaming · PostgreSQL, MongoDB, Cassandra · Power BI, Tableau, Looker
focus
AI Engineering & GenAI
Intégrer l'IA dans des systèmes utiles, mesurables et maîtrisés.
L'IA est un domaine d'investissement prioritaire pour Modders. Nous l'utilisons au quotidien dans nos propres workflows de développement, de recherche, de documentation et d'automatisation, et nous accompagnons nos consultants dans sa maîtrise. Côté client, notre positionnement cible le passage d'un usage expérimental à des systèmes intégrés, évalués et exploitables.
Les sujets sur lesquels nous investissons
- Intégrer de l'IA dans une application ou un processus existant sans réécrire tout le système
- Construire des chaînes RAG et des assistants reliés à des données métier, avec une gestion adaptée des droits
- Évaluer les réponses et les comportements : jeux de tests, comparaison de versions, non-régression
- Orchestrer des workflows ou des agents avec validation humaine aux étapes sensibles
- Observer et maîtriser coûts, latence, qualité, dérive et incidents
- Automatiser les tâches répétitives tout en conservant une responsabilité humaine sur le résultat
L'IA dans notre quotidien
Chez Modders, l'IA n'est pas uniquement un sujet commercial. Les collaborateurs sont encouragés à l'utiliser pour accélérer ce qui peut l'être : développement, documentation, recherche, automatisation. Avec une règle simple : comprendre, vérifier et rester responsable de ce qui est produit.
Écosystèmes
Python · LangChain, LangGraph, LlamaIndex · MCP · bases vectorielles (pgvector, Qdrant, Milvus) · AWS Bedrock, Azure AI Foundry, Vertex AI · modèles OpenAI, Anthropic, Mistral et modèles ouverts · PyTorch, Hugging Face · MLflow · évaluation et observabilité des systèmes IA
focus
Cloud & Plateformes
Fournir aux applications un environnement d'exécution fiable, observable et maîtrisé.
Le cloud ne règle rien par lui-même : mal utilisé, il reproduit les limites de l'existant en facturant davantage. Nous construisons des socles techniques que les équipes de développement peuvent utiliser sans devenir expertes en infrastructure.
Ce que nous traitons
- Migrer vers le cloud sans reproduire les limites de l'existant
- Réduire le délai entre un commit et une mise en production
- Rendre une plateforme observable : savoir ce qui se passe avant l'incident
- Tenir des exigences de disponibilité et de reprise
- Standardiser les environnements sans bloquer les équipes
- Reprendre le contrôle de coûts d'infrastructure qui dérivent
Types de problématiques
- Socle Kubernetes mutualisé et chaîne de livraison associée
- Reprise d'une infrastructure gérée manuellement en infrastructure as code
- Observabilité utile, plutôt que des tableaux de bord que personne ne regarde
Nous mobilisons ces compétences lorsque la fiabilité, l'observabilité, l'industrialisation ou le coût d'exploitation deviennent des contraintes structurantes du produit.
Écosystèmes
AWS, Azure, GCP · Kubernetes, Docker · Terraform, Ansible · GitLab CI, GitHub Actions, Jenkins · Prometheus, Grafana, OpenTelemetry
