Assistant documentaire interne avec garde-fous et évaluation

Contexte

Un cabinet de conseil technique souhaitait réduire le temps passé par ses consultants à rechercher des références dans un corpus de notes internes, de normes et de comptes rendus de mission. Le corpus représentait environ onze mille documents hétérogènes, avec des versions multiples et des droits d'accès distincts selon les équipes.

Problematique

La recherche existante reposait sur des correspondances de mots-clés, peu efficaces sur les formulations métier. Les consultants reconstituaient souvent des réponses de mémoire, au risque de citer une version obsolète d'une norme ou de produire une recommandation non sourcée.

Objectifs

• Fournir des réponses appuyées sur des passages identifiés et cités
• Respecter les droits d'accès existants sur les documents
• Mesurer objectivement la qualité avant toute généralisation

Role tenu

Responsable de la conception et de l'implémentation, avec le responsable qualité interne pour la constitution du jeu d'évaluation métier.

Solution retenue

Le chantier a commencé par le corpus : inventaire des sources, suppression des versions obsolètes, vérification des droits d'usage et découpage en passages de taille cohérente avec les questions posées. Cette étape a représenté près de la moitié de l'effort total et a révélé que onze pour cent des documents étaient des doublons ou des versions périmées. La chaîne de recherche combine une recherche lexicale et une recherche vectorielle, avec un filtrage préalable sur les droits d'accès de l'utilisateur. Chaque réponse cite les passages utilisés, avec un lien vers le document source et sa date de version. Lorsque la recherche ne remonte rien de pertinent, l'assistant l'indique explicitement plutôt que de produire une réponse approximative. L'évaluation repose sur un jeu de cent vingt questions représentatives, avec les réponses attendues et les sources légitimes. Ce jeu est rejoué à chaque évolution de la chaîne, ce qui permet de détecter une régression de qualité avant la mise en production.

Architecture

Service Spring Boot s'appuyant sur Spring AI pour l'orchestration, la recherche vectorielle et l'appel aux modèles. Les documents et leurs passages sont stockés dans PostgreSQL avec l'extension pgvector ; les index sont reconstruits par un traitement Python exécuté par lots. Les droits d'accès sont résolus à partir de l'annuaire existant et appliqués comme filtre avant la recherche. Redis conserve le contexte des conversations récentes et limite le coût des appels redondants. L'ensemble est déployé sur Kubernetes, avec une journalisation des questions, des réponses et des sources consultées.

Resultats (exemples)

• Corpus nettoyé et indexé avec suivi des droits d'accès
• Réponses systématiquement appuyées sur des passages cités
• Jeu d'évaluation métier rejoué à chaque évolution
• Absence de réponse explicite lorsque le corpus ne contient pas l'information

Indicateurs (exemples)

• Documents traités et indexés

  environ 11 000

  Corpus simulé pour la démonstration — exemple de démonstration

• Questions du jeu d'évaluation

  120

  Jeu d'évaluation illustratif — exemple de démonstration

• Documents identifiés comme doublons ou obsolètes

  11 pour cent

  Résultat de nettoyage simulé — exemple de démonstration

Technologies

• Python
• Spring AI
• PostgreSQL
• pgvector
• Redis
• Kubernetes
• API de modèles de langage

Services mobilises

• Sécurité applicative et protection des API

  Je sécurise vos applications sur les points qui comptent vraiment : identités, autorisations, secrets et validation des entrées. Les mesures sont vérifiables et intégrées à la chaîne de livraison.

• Intelligence artificielle générative appliquée

  Je conçois des usages d'IA générative utiles et mesurables : recherche documentaire, synthèse, aide à la rédaction et réponses contrôlées. Chaque fonctionnalité est évaluée sur des cas réels avant d'être exposée aux utilisateurs.

• Automatisation de traitements avec des agents IA

  J'automatise des traitements répétitifs en combinant règles déterministes et modèles de langage, avec des garde-fous explicites. L'automatisation traite les cas simples et transmet les cas ambigus à un humain.

• Observabilité et performance applicative

  Je rends vos applications diagnostiquables : traces corrélées, métriques utiles et alertes qui signalent un problème réel. Vous passez de l'interprétation des symptômes à l'identification de la cause.