§1Le contexte : une information technique dispersée
Les procédures techniques étaient réparties dans de multiples documents. Sur le terrain, cela se traduisait par :
- un temps considérable passé dans les modes d’emploi pour paramétrer chaque équipement ;
- des erreurs de paramétrage fréquentes ;
- une perte d’efficacité opérationnelle pour les équipes de terrain.
L’entreprise cherchait un moyen simple de rendre cette information accessible au moment où les techniciens en ont besoin.
§2Ce que nous avons fait : interroger la documentation en langage naturel
Nous avons développé une interface conversationnelle qui permet aux techniciens de poser leurs questions en français et d’obtenir une réponse tirée de leur base de connaissances technique.
La solution repose sur trois briques :
- Azure SQL Data Warehouse pour centraliser les données techniques ;
- OpenAI pour le traitement du langage naturel ;
- Bubble pour l’interface utilisateur.
Le cœur du système est une approche de génération augmentée par recherche (RAG) : l’assistant retrouve d’abord les passages pertinents de la documentation, puis formule sa réponse à partir d’eux. Nous l’avons optimisée en continu pour maximiser la pertinence des réponses sur le terrain.
§3Les résultats : la bonne information en une question
- Un temps de recherche d’information considérablement réduit.
- Des erreurs de paramétrage en nette diminution.
- Une excellente satisfaction des utilisateurs.
Fort de ce résultat, l’entreprise envisage d’étendre la solution à l’ensemble de sa force commerciale, pour rendre l’expertise technique accessible au plus grand nombre.
§4Ce qu’il faut retenir
Un assistant conversationnel vaut ce que vaut sa documentation, et la manière dont il y accède. Le travail ne s’arrête pas à la mise en ligne : c’est l’optimisation continue de la recherche qui rend les réponses fiables, et donc l’outil utilisé.
