Simplicité & IA

Our approach to AI applied to low-code

We want to create a fast loop between the developer and the application, leveraging our platform's dynamic template interpreter that requires no code generation or deployment, with a strict but powerful platform.

The data-centric, model-driven engine derives the user interface from the configuration, leaving little room for error.

In our approach, LLMs provide an additional layer of abstraction that allows developers to focus on business value: a model that can be created quickly, easily modified, and leverages a large number of applications and examples (or even your internal applications).

An agnostic view of os LLMs

How is AI integrated into Simplicité?

The agnostic approach to LLMs allows interfacing with any AI API, provided that the corresponding connector is developed. Our solution is functional with an untrained model and can leverage the AI already in place at the customer's site.

Performance depends on the model chosen; some models are more suited to specific design features.

To meet specific business needs, Simplicité can be linked to existing AI that has already been trained in the relevant field. Currently ChatGPT / Mistral / Claude / ...

Supporting low-code thanks to AI

Facilitating the modelling of requirements

Get an application skeleton in minutes

Facilitate functional testing by generating dummy data

Support for documentation for maintainability (comments and documentation)

Module generation and modification

From defining requirements in natural language

Texte décrivant une application de commande de produits avec options de fourniture, y compris le suivi de l'état de la commande via un code à chaîne.

Here is a basic UML class diagram for your odering application

Schéma des classes dans une base de données : Produit, Fournisseur, Client et Commande, avec leurs attributs et associations.

To a functional module

Orders

Statut de commande avec un point vert et le mot « Commandé », total affiché comme 40 en gris.

Étiquette indiquant "Préparé" avec un point orange et le total de 40.

Section intitulée « Envoyé » avec un total de 40 affiché.

Statut Livraison avec un point rouge et total de 40 articles livrés.

Table de schéma de base de données nommée OrdProduct avec colonnes ordProName et ordProFurnisher de type chaîne (100) et ordProPrice de type flottant (5,2).

Table de base de données intitulée OrdCustomer avec trois colonnes: ordCusName de type string(100), ordCusSurname de type string(100) et ordCusPhoneNm de type phone(5,2).

Table of database order fields including order ID, customer ID, product ID, code, status, and related string and enum data types.

Schéma de la structure de la base de données OrdFurnisher avec cinq champs incluant id, nom du produit, fournisseur, nom et email.

Oiseau en vol, vu de près, avec un fond flou de ciel bleu.

Flèche courbée bleue partant du coin inférieur droit et pointant vers le coin supérieur gauche.

Oiseau en vol, vu de près, avec un fond flou de ciel bleu.

Deux jeunes femmes souriantes portant des casques de réalité virtuelle dans une pièce aux murs orange.

Complete a module quickly

Need to add an object to your module?

The AI understands the module and guides you through the modifications. It then modifies the module.

Zone de saisie de texte entourée d'un halo coloré, avec l'invite « Que souhaitez-vous demander ? » et des icônes pour les médias et l'envoi.

Generate data for testing and demos

One-click data generation for testing and demonstrations.

Tableau de données client avec colonnes Code, Prénom, Nom et Code postal, listant dix enregistrements.

Documentation support for maintainability

Vue comparative du code montrant les différences entre deux extraits de code, mettant en évidence la logique de validation et la gestion des erreurs dans un contexte de programmation.

Perspectives

Other approaches to facilitate specific development

Template generation for publications and other specific front-end elements

Generation of more complex specific fronts.

Anonymisation tools.

Train an LLM in Simplicité :

Tips and best practices for configuration

Maker-oriented chatbot

Reportings personnalisés

Augmenter les possibilités métiers grâce à l'IA

Graphiques contextualisés

Permettre aux métiers de générer les graphiques à la volée en fonction de ses droits sur l'ensemble d’un module.

Objet externe qui peut être inclus dans une vue ou un template par paramétrage.

Un graphique à barres indiquant le nombre de LED par unité.

Un bouton avec les mots « tableau des commandes par statut et sujet ».

Test & learn = prompt pour valider efficacité / autocréation de MVP. Validation d’un besoin métier.

Création de données de tests

IA = rédaction de textes / email au sein de l’application.

Chatbot orienté Métiers contextualisés au module.

Perspectives

Conseils et bonnes pratiques de paramétrage

Chatbot orienté makers

By 2027, nearly three-quarters of new applications developed by businesse dwill use low-code and AI (compared to 25% in 2023).Source forester

Request your demo now