Solution
Assistants et applications d’IA
Développement d’assistants et d’applications d’IA avec recherche documentaire, requêtes sur les données internes et interfaces web ou mobiles. Intégration des modèles et des API aux logiciels existants.
Architecture et réalisation
Recherche et contexte
Indexation des documents et recherche contextuelle pour relier les réponses aux sources.
Interfaces et intégrations
Développement d’interfaces web et mobiles connectées aux API et aux bases de données.
Exécution des modèles
Intégration de modèles locaux ou de services cloud, orchestration des appels et suivi des performances.
Décisions de conception
Développement d’un assistant autour de sources, de droits et d’actions définis. La sélection du contexte, la citation des passages et l’évaluation des réponses déterminent la qualité du service autant que le choix du modèle.
Exemple d’application
Un assistant peut consulter une documentation versionnée et distinguer une réponse appuyée sur une source d’une question pour laquelle les documents disponibles sont insuffisants.
Livrables techniquesAssistant, chaîne documentaire, intégration des accès et corpus d’évaluation
Un agent interroge un index des dossiers contractuels et transmet les passages autorisés à un modèle Llama hébergé sur la plateforme privée. Les permissions de l’utilisateur filtrent les documents avant la recherche. La réponse cite les pièces du dossier et les textes de référence utilisés.
Docker
.NET
Microsoft Entra ID
Infomaniak
LangChain
Linux
Llama (Meta)
Model Context Protocol
Microsoft 365
PostgreSQL
Python
Composants et flux
- Extraction des documents Microsoft 365 et des corpus de référence, puis indexation textuelle et vectorielle dans PostgreSQL
- Agent LangChain utilisant un modèle Llama et des outils MCP de recherche en lecture, avec filtrage des droits et limitation des appels
- Contrôle du contexte disponible avant génération et présentation des références dans une application .NET
Les formulaires mobiles et Salesforce alimentent un entrepôt PostgreSQL qui réunit les données de programmes et leurs références financières. Tableau utilise les modèles analytiques pour les visualiser. Une recherche multilingue consulte les documents associés en conservant leurs références d’origine.
- Docker
- .NET
- Infomaniak
Kotlin- LangChain
- Microsoft 365
n8n- PostgreSQL
- Python
Salesforce
Tableau
Composants et flux
- Collecte mobile via une API .NET et intégration du CRM Salesforce aux données des programmes
- Entrepôt PostgreSQL alimenté par Python, publication analytique dans Tableau et accès aux données par API
- Recherche multilingue dans les documents Microsoft 365, avec LangChain et une API de modèles hébergée chez Infomaniak
Développement et intégration
- RAG, recherche hybride et sources documentaires
- Intégration des outils et des API
- Traitements multilingues et formats structurés
- Évaluation et déploiement des applications d’IA
Les systèmes concernés
- Bases documentaires et moteurs de recherche
- Applications web, mobiles et métier
- Modèles ouverts et services d’IA cloud
Service associéIntelligence artificielle →
Pour approfondir
Quatre questions sur le règlement européen sur l’IA pour une entreprise suisse
Le rôle de l’entreprise, son lien avec l’Union européenne et la finalité du système déterminent l’analyse. Les conclusions doivent ensuite être traduites en décisions de conception vérifiables.
Évaluer la qualité, la disponibilité et le coût d’un modèle à poids ouverts
Un classement public aide à repérer des candidats. Le choix d’un modèle dépend de sa licence, de sa qualité sur la tâche et des moyens nécessaires pour l’exploiter.
Déployer une IA interne avec des modèles ouverts et une infrastructure adaptée
La qualité attendue, les données et les capacités d’exploitation déterminent le mode de déploiement. Le modèle et son hébergement doivent être évalués ensemble.
Parlons de votre projet
Un échange sur la conception, le développement et la mise en production de votre projet.