Dans cet article, nous décrivons deux systèmes que nous avons développés pour les trois pistes auxquelles nous avons participé dans le BEA-2019 GEC Shared Task. Nous explorons des modèles de classification compétitifs basés sur des réseaux de neurones récurrents bidirectionnels (Bi-RNN) ainsi que des modèles de traduction automatique neuronale (NMT). Pour chaque piste, nous mettons en œuvre des systèmes ensemblistes afin de combiner sélectivement les modèles NMT, les modèles de classification et certaines règles, et démontrons qu’une approche ensembliste permet effectivement d’améliorer significativement les performances en GEC par rapport aux systèmes individuels. Nos systèmes de GEC ont obtenu la première place dans la piste Unrestricted, et la troisième place dans les deux autres pistes : Restricted et Low Resource.