Développer un assistant conversationnel avec Rasa et LlamaIndex

Connexion d'une base de connaissances externe via un pipeline RAG avec LlamaIndex 
‍

Contexte : 

Une entreprise du secteur privé aéronautique souhaite équiper ses techniciens de maintenance d'un assistant conversationnel. Elle fait appel à vous pour construire et déployer l’assistant. Ce "copilote" doit être capable de répondre instantanément à des questions techniques complexes en puisant directement dans les manuels techniques et les historiques de réparations par pièce des 5 dernières années. Ceux-ci ont été formatés en fichiers PDFs gros volumes comprenant texte, schémas et tableaux. 
‍

Votre mission est de :

- Analyser le corpus documentaire fourni (manuels techniques aéronautiques au format PDF) afin de définir la taille des blocs (chunk size) et le chevauchement (overlap) optimaux pour ne pas perdre le contexte des tableaux techniques. 

- Développer le script Python d'ingestion (ingest.py) permettant de charger les documents avec LlamaIndex, de générer les embeddings et de les stocker dans un index vectoriel local. - Créer et coder les Custom Actions Rasa (actions.py) en Python pour intercepter la question de l'utilisateur, interroger l'index LlamaIndex de manière asynchrone, et récupérer la réponse générée ainsi que ses sources. 

- Configurer l'infrastructure de communication (endpoints.yml), déclarer la nouvelle action dans le domaine de Rasa (domain.yml) et configurer les règles/histoires (data/rules.yml) - Ajuster le prompt système du LLM (via LlamaIndex) pour contraindre l'assistant à ne répondre qu'à partir des documents fournis, à citer la source (nom du fichier et page) et à formuler un message poli d'ignorance en cas d'absence d'information (anti-hallucination). 

‍

Compétences

À l’issue de la formation, le stagiaire sera capable de créer et déployer un assistant conversationnel.

Durée

3 jours

Tarifs

Tarif inter-entreprises : 2 250,00 €

Tarifs intra-entreprise : sur demande

Publics

Développeurs AI,NLP engineers.

Connaissances en Python et ML.

- Concevoir un chatbot intelligent 

- Gérer le traitement du langage naturel 

- Intégrer et déployer le chatbot 

- Optimiser la compréhension et les réponses

‍

Travail en autonomie guidée sur deux jours, réalisable individuellement ou en binôme (Peer Programming) pour stimuler l'entraide sur la logique algorithmique et le débogage de l'asynchronisme. 

Rôle du formateur / Posture : Posture de facilitateur / Directeur Technique (CTO).

Modalités d'évaluation : 

- Démonstration technique en direct ("Recette client") : L'apprenant ou le binôme présente le fonctionnement de son bot devant le formateur (jouant le rôle du client entreprise aéronautique). Le bot est soumis à un protocole de test standardisé de 3 questions : 

1. Une question factuelle directe (ex: "Quel est le couple de serrage de la valve X ?"). 2. Une question de synthèse nécessitant de recouper deux informations du document. 3. Une question piège/hors-sujet (ex: "Donne-moi une recette de cuisine") pour vérifier la robustesse des garde-fous anti-hallucination. 

- Revue de code (Code Review) : Analyse par le formateur du dépôt Git rendu par l'apprenant.
 

Critères d'évaluation : 

- Les questions techniques reçoivent des réponses directement extraites ou synthétisées des documents fournis, sans invention de données de la part du LLM. 

- L'assistant cite explicitement le document et la section d'origine pour chaque réponse technique fournie. 

- La communication entre le flux d'histoire de Rasa et l'exécution du script d'action Python se fait sans latence bloquante (Temps de réponse optimisé < 15 secondes). 
‍

Livrables : 

Dépôt Git comprenant : 

- Le script d'ingestion et vectorisation (ingest.py) 

- Le code du serveur d'Actions Rasa (actions.py) 

- L'arborescence du projet Rasa (config.yml, endpoints.yml, domain.yml) et le dossier data/ 

- Un fichier README.md sur comment lancer l'ingestion et démarrer l'assistant.

‍

Si vous êtes en situation de handicap, il est possible de mettre en place des aménagements.