J’ai conçu un assistant IA de type RAG (Retrieval-Augmented Generation) reposant sur une base documentaire. L’utilisateur dépose un document (PDF) et interroge son contenu en langage naturel.
- Code source : https://github.com/fkdia23/rag_project
- RAG complet : ingestion, indexation vectorielle et requêtes en langage naturel.
- Architecture modulaire : FastAPI + base vectorielle + LangChain + PostgreSQL + Docker.
- Industrialisable : service analytique conteneurisé, prêt à intégrer un système d’information.
1. Le défi : exploiter une documentation dense
- Contexte : les documents métier (procédures, rapports, manuels) sont riches mais difficiles à interroger rapidement.
- Limites : recherche par mots-clés peu pertinente, lecture manuelle chronophage.
- Objectif : permettre de poser une question en langage naturel et d’obtenir une réponse sourcée à partir des documents.
2. La solution : un pipeline RAG end-to-end
- Ingestion : dépôt et extraction du contenu des documents.
- Indexation : découpage en chunks, génération d’embeddings et stockage dans une base vectorielle.
- Requête : recherche des passages les plus pertinents par similarité.
- Génération : le LLM produit une réponse contextualisée à partir des passages récupérés, orchestré par LangChain.
3. Stack technique
- API : FastAPI (Python)
- Orchestration RAG : LangChain
- Base vectorielle : vector DB pour la recherche sémantique
- Base de données : PostgreSQL pour les métadonnées
- Infrastructure : Docker pour la conteneurisation
4. Lien avec le poste
Ce projet met en avant des compétences en intégration de solutions Big Data, en structuration des données et en industrialisation de services analytiques pour des besoins métier — directement alignées avec les missions d’un Data Scientist junior.
Pour un cas d’usage RAG plus avancé (citations, traçabilité et deep linking vers la source), voir aussi mon article Construire un RAG fiable, traçable et auditable.