Nous avons construit cet assistant en équipe de deux pour un module de traitement du langage en M1. Le corpus se limite à des textes réglementaires publics, découpés par article. L'architecture suit une approche de génération augmentée par la recherche : indexation vectorielle avec un modèle d'embeddings multilingue, recherche hybride, puis génération par un modèle de langage ouvert exécuté localement. Chaque réponse affiche les articles utilisés. Nous avons consacré autant de temps à l'évaluation qu'au développement, notamment pour mesurer les réponses inventées.
Les étudiants posent sans cesse les mêmes questions sur les dettes, le rachat et les rattrapages. Le règlement existe, mais il est long et peu lu.
Le prototype répond en citant les passages sources et refuse de répondre quand l'information manque. Sur une centaine de questions tests, la majorité des réponses ont été jugées correctes par deux enseignants.
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Un travail exploratoire sur un modèle qui signale les radiographies thoraciques à revoir en priorité.
Une caméra, un éclairage maîtrisé et un modèle qui repère les produits non conformes à cadence réelle.
Quantification, export ONNX, TensorRT : le même modèle, plus léger et plus rapide sur votre matériel.
