Une documentation métier complexe transformée en base de connaissances interrogeable.

Le point de départ.

Pour un réseau professionnel spécialisé dans la distribution de mobilier pour entreprises et collectivités. Les équipes devaient exploiter des catalogues PDF, grilles tarifaires, règles commerciales et contraintes logistiques complexes, souvent difficiles à interroger manuellement.

L'approche et le travail.

J'ai cadré le besoin métier et défini l'architecture d'un assistant conversationnel basé sur une approche RAG. L'objectif : permettre aux équipes commerciales d'interroger une base documentaire complexe et d'obtenir des réponses contextualisées, fiables et exploitables.

Le travail a couvert l'ingestion documentaire, le parsing de PDF, le chunking, les embeddings, l'indexation dans une base vectorielle, la récupération d'informations pertinentes et l'orchestration LLM.

J'ai aussi défini les critères de performance : précision, pertinence des réponses, fiabilité des sources et capacité d'industrialisation.

Ce qui a changé.

• ↓ tempsLes équipes commerciales accèdent instantanément à l'information sans parcourir manuellement les catalogues PDF.
• RAG prodPipeline RAG complet (ingestion → chunking → embeddings → retrieval → LLM) déployé et opérationnel.
• 100%Chaque réponse est accompagnée de la source documentaire correspondante, garantissant la fiabilité métier.

Réduction du temps de recherche, amélioration de la qualité des réponses métier et standardisation de l'accès à l'information au sein de l'organisation.