Les Prénoms de Sylvie.

Le problème

Sylvie est aquarelliste : elle peint des illustrations personnalisées où chaque lettre du prénom d'un enfant est représentée par un petit dessin (un A pour Avion, un L pour Lapin…). Œuvre unique, peinte main, signée. Magnifique, mais avec deux problèmes pour scaler la vente :

1. Le client ne peut pas voir avant d'acheter. Sans aperçu, l'acte d'achat reste fragile : "à quoi va vraiment ressembler le tableau pour ma fille Léa ?"
2. Sylvie ne veut pas industrialiser. Chaque œuvre reste peinte à la main. Impossible de pré-produire un catalogue.

Solution : un modèle hybride IA + artisanat. L'IA produit un aperçu fidèle au style de Sylvie pendant le tunnel d'achat. Sylvie réalise ensuite l'œuvre finale à la main, en gardant 100% de l'authenticité artisanale.

L'approche IA

C'est le projet où je suis allé le plus loin sur le fine-tuning de modèle sur des contenus propriétaires.

1. LoRA entraîné sur le style de Sylvie

J'ai fine-tuné un LoRA (Low-Rank Adaptation : méthode de fine-tuning légère pour modèles de diffusion) sur des dizaines d'aquarelles originales réalisées par Sylvie. Le modèle a appris son geste, sa palette, sa façon de poser le trait sur le papier blanc. Hébergé sur Replicate sous l'identifiant leopoldbordet-92/hbprenom-style, déclenché par le trigger word hbprenom_style.

2. Pipeline génératif hybride pour contourner les limites du LoRA

Limite connue des modèles de diffusion image : ils gèrent mal le texte. Les lettres se déforment, deviennent illisibles. Plutôt que de me battre avec ça, j'ai séparé les deux jobs :

• Le LoRA génère uniquement les dessins (Avion, Lapin, Cygne…) sur fond papier blanc, en ligne horizontale
• Un overlay programmatique ajoute ensuite les lettres du prénom avec la police Patrick Hand et un effet watercolor bleed qui s'intègre à l'aquarelle générée

Résultat : un aperçu qui ressemble vraiment à une œuvre de Sylvie, lettres incluses, sans les artefacts du modèle.

3. Configurateur structuré côté produit

• Dictionnaire de dessins éligibles par lettre (11 propositions pour A, 23 pour C, 1 pour Q…)
• Le client choisit 1 ou 2 dessins par lettre, ou une demande spécifique en texte libre
• Choix garçon / fille → couleur du prénom (bleu #14378C ou rose #C3325F)
• Si toutes les lettres viennent du dictionnaire → aperçu IA disponible
• Si une lettre a une demande spécifique → pas d'aperçu, mais récap texte de la commande

4. Prompt engineering serré pour fiabiliser le LoRA

Pour éviter doublons et compositions cassées, le prompt est cadré au mot près :

hbprenom_style, a watercolor illustration on white watercolor paper showing exactly [N] small whimsical drawings arranged in a single horizontal row from left to right: 1. [dessin1], 2. [dessin2], ..., soft delicate watercolor style, childlike and charming, no text no letters

Les exactly N, a single, in a single horizontal row, no text no letters sont là pour discipliner le modèle.

Stack

• Front : React + Vite + Tailwind, mobile-first
• Back : Vercel Functions (serverless)
• IA : LoRA custom sur Replicate, appel exclusivement via /api/generate côté serveur (la clé API ne sort jamais du Vercel)
• Paiement : Stripe Checkout
• Email : Resend (confirmation de commande)
• Livraison client : œuvre finale peinte à la main, livrée sous 2 semaines

Résultat

• Configurateur opérationnel : saisie prénom → choix dessins → aperçu IA → commande Stripe
• LoRA calibré pour ne plus produire de doublons ni de texte parasite
• Pipeline overlay programmatique stable
• Modèle économique préservé : IA pour la scalabilité de l'aperçu, main de Sylvie pour la qualité du livrable
• En finalisation : derniers réglages tunnel + branchement Stripe complet avant lancement

Ce que j'en ai appris

Le fine-tuning sur données propriétaires, ce n'est pas que pour les LLM : un LoRA sur images peut être un actif business énorme.

Le style de Sylvie, encodé dans quelques centaines de Mo de poids modèle, devient un outil de prévente qui résout son problème de conversion sans menacer son métier. L'IA ne fait pas le tableau, elle aide à le vendre.

Et côté ingénierie : quand un modèle a une limite connue (le texte), il ne faut pas se battre, il faut composer. Le pipeline hybride (LoRA images + overlay text programmatique) est plus fiable et plus joli que n'importe quel prompt-fu qui forcerait le modèle à écrire correctement.