P01
Extraction in-app
Les agents ouvrent l'application, naviguent jusqu'aux données et les extraient comme le ferait une personne : écran par écran, sur un vrai appareil.
01
// Ce qui casse aujourd'hui
Les workflows manuels coûtent plus cher que l'agent.
Trois douleurs que chaque équipe sales et BD encaisse chaque semaine. Chacune est ce dont tes reps se plaignent vraiment, pas ce qu'une page produit appellerait poliment.
- 01
Les données dont vous avez besoin se trouvent dans des applications mobiles sans API, et le scraping web n'y accède pas.
02
// Pipelines que tu peux construire
Workflows d'agents IA : compose, approuve, rejoue.
Chaque pipeline ci-dessous est une forme que tu câbles sur le canvas en utilisant l'équipe d'agents IA et les outils plus bas. Pas une feature qu'on livre pour toi, un pattern que tu configures.
P02
Exécutions planifiées et cadrées
Limitées aux applications que vous autorisez, selon le planning que vous définissez, avec chaque exécution journalisée et consultable.
P03
Des écrans aux datasets
Les écrans extraits deviennent des enregistrements validés et structurés que votre pipeline peut consommer.
03
// Le crew d'agents IA
Équipe extraction data
Vrais personas de l'équipe d'agents IA research_team. Chacun arrive avec un system prompt tuné et une allowlist de outils par défaut. Change de modèle par persona sur le canvas.
Data Scientist
DataScientistTransforme l'extraction écran par écran en datasets propres et validés.
Analyste Marché
MarketAnalystIdentifie les sources in-app pertinentes et ce qu'il faut en extraire.
Spécialiste Contenu
LiteratureSpecialistDocumente chaque source et garantit la reproductibilité des extractions.
04
// outils scopés
Allowlists d'outils : uniquement les actions que tu accordes.
Chaque outil ci-dessous est un vrai outil partagé du bundle Melaya. Allowlist par agent, HITL sur les écritures, révocation en un clic.
01shared/tools/phone/
Navigue dans l'application et lit les données depuis l'écran sur un vrai appareil.
phone_open_appphone_get_screen_treephone_scrollphone_screenshot
02shared/tools/data_utils/
Valide et profile ce qui a été extrait des écrans.
csv_lintdf_describejson_validate
03shared/tools/database/
Dépose les résultats là où votre pipeline les attend.
sql_querysql_export_csv
04shared/tools/knowledge/
Construit un historique consultable de chaque exécution d'extraction.
build_knowledge_from_textbuild_knowledge_from_file
05
// Trois couches de connaissance
L'équipe d'agents IA lit ce que tu lui donnes.
Chaque pipeline arrive avec trois couches d'accès à la connaissance. Combine-les par agent sur le canvas. Pas d'espace vectoriel partagé avec un autre client, pas de lecture surprise, pas de retrieval opaque.
L1
Static context
includeContextDocuments par pipeline ajoutés à l'input d'agents spécifiques à chaque run. Le brief ICP, le playbook, la grille de pricing, ou le corpus d'emails de deals gagnés. Tout ce qui doit être là avant que l'agent pense. Tu choisis quels personas reçoivent quels docs.
L2
Tool de retrieval RAG
rag_retrieveUn outilscoped accordé par agent. Quand l'agent décide qu'il a besoin de plus de profondeur, il interroge le vector store du workflow à la demande. Même base de knowledge que Static context, accédée uniquement quand le modèle le demande.
L3
Mémoire cross-run
pipeline_memoryÉtat au niveau du pipeline qui passe d'un run au suivant. La recherche d'hier est dans le scope du follow-up d'aujourd'hui. L'équipe d'agents IA se souvient de ce qu'elle a déjà prospecté, de ce qui a été approuvé, de ce qui a été envoyé. L'audit log est la base de knowledge de second ordre.
07
// FAQ
Questions sur les agents IA qu'on reçoit chaque semaine.
Et pour les applications sans API ?
C'est précisément l'intérêt. L'agent lit les données depuis l'écran de l'application sur un vrai appareil : aucune API n'est requise.
Chaque exécution est-elle auditable ?
Oui. Les exécutions sont limitées aux applications que vous autorisez, planifiées par vous, et chaque étape est journalisée et consultable.
Pourquoi ne pas simplement écrire un script de scraping ?
Les scripts s'arrêtent de fonctionner quand les données se trouvent dans une appli mobile sans API et sans endpoint web stable. Le Device Control de Melaya pilote un vrai téléphone Android, donc les agents lisent les mêmes écrans qu'une personne voit. Le persona Data Scientist valide ensuite la sortie avec le bundle data_utils, et les traces complètes montrent ce que chaque étape a lu.
n8n ou Zapier peuvent-ils extraire des données d'une appli mobile ?
Non. n8n, Zapier et Make exécutent des étapes trigger-action prédéfinies contre des API, donc une appli sans API reste hors de portée. Les agents de Melaya planifient sur plusieurs étapes sur un canvas d'agents, outils, triggers et portes d'approbation, et le bundle phone lit les écrans d'appli directement sur un vrai appareil. Zapier et Make gagnent bien sur la largeur des connecteurs pour les automations API simples.
Comment les lectures d'écran deviennent-elles un dataset propre ?
Trois bundles d'outils portent le pipeline. Le bundle phone navigue dans l'appli et lit chaque écran sur un vrai appareil, data_utils valide et profile les champs extraits, et le bundle database dépose les résultats là où ton pipeline les attend. Le bundle knowledge maintient un record consultable de chaque exécution d'extraction.
Les exécutions d'extraction peuvent-elles être planifiées et scopées à des applis spécifiques ?
Oui. Les exécutions se déclenchent au planning que tu définis, et chaque agent est scopé à une allowlist, donc le bundle phone ne peut ouvrir que les applis que tu as approuvées. Le persona Market Analyst décide quelles sources in-app comptent, et chaque exécution planifiée produit une trace complète que tu peux examiner.
Comment les équipes data gouvernent-elles l'accès des agents d'extraction ?
La gouvernance dans Melaya repose sur les allowlists d'outils scopés, l'approbation HITL à chaque écriture, et les traces complètes. Les agents n'ouvrent que les applis autorisées, les écritures via le bundle database peuvent s'arrêter pour approbation avant d'atterrir, et l'évaluation déterministe en premier exécute des vérifications basées sur des règles sur les données extraites avant toute évaluation par modèle.
Les exécutions d'extraction sont-elles reproductibles ?
Oui. Le persona Literature Specialist documente chaque source et maintient les extractions reproductibles, et n'importe quelle exécution peut être sauvegardée comme template réutilisable. Les traces complètes enregistrent chaque étape avec horodatages, donc tu peux comparer les exécutions, détecter les dérives de layout dans une appli, et relancer le même pipeline sans modification.
L'extraction tourne-t-elle sur un vrai téléphone ou un émulateur ?
Un vrai téléphone. Le Device Control de Melaya pilote un vrai téléphone Android : les agents ouvrent les applis autorisées, lisent l'écran, et tapent et naviguent comme une personne le ferait. Tout ce qui pourrait publier ou soumettre s'arrête pour une approbation sur l'appareil, et une extraction en lecture seule ne publie jamais en ton nom.
Les données extraites peuvent-elles rester sur notre propre infrastructure ?
Oui. Melaya fonctionne dans le cloud ou sur ton runner local, donc les étapes d'extraction sensibles et les datasets résultants peuvent rester sur du hardware que tu contrôles. Le routage de modèle par étape sur 23 fournisseurs te permet de garder le parsing sur des modèles locaux, et le coût par résultat accepté est visible pour chaque exécution.
Construis des pipelines équipes data sur Melaya.
Le tier Sandbox est gratuit, sans carte. Rejoins la waitlist et on t'envoie un email dès qu'un slot s'ouvre.
← Retour à tous les cas d'usage
// Cookies
Melaya utilise un petit jeu de cookies first-party strictement nécessaires pour t'authentifier, maintenir ta session et protéger la plateforme des abus. Pas de cookies publicitaires, ni de trackers cross-site, ni d’analytics niveaus par défaut. La liste complète des cookies est dans notre Politique de confidentialité.