Sorbonne Université a souhaité développer un agent conversationnel pour aider l’administration à rechercher des chercheurs universitaires à partir de leurs publications.

IALab à créer un chat utilisant l’IA générative et les LLMs pour créer un outil capable de trouver en temps réel les chercheurs sur certains sujets.

L’article Sorbonne Université est apparu en premier sur IALab.

À l’amiable est une start-up française. Elle aide les assurés à comprendre leurs contrats et à défendre leurs droits. Son assistant conversationnel, Assubot, répond aux questions des particuliers sur leurs garanties et sur le droit des assurances. En 2024, l’entreprise a fait appel à IALab pour reconstruire ce chatbot de lecture de document d’assurance. Notre mission : choisir l’infrastructure, refondre l’architecture et développer la solution.

Le contexte et le défi

Un premier chatbot qui avait atteint ses limites

L’équipe avait construit la première version d’Assubot en no-code, sur Microsoft PowerApps. Des listes SharePoint stockaient les prompts et les documents. Des Azure Functions appelaient le modèle de langage. En parallèle, la base de données et l’application Symfony tournaient chez OVH.

Ce montage avait permis de valider l’idée rapidement. En revanche, il posait plusieurs problèmes au quotidien :

• la logique métier vivait à la fois dans PowerApps, dans SharePoint et dans les fonctions Azure, sans documentation ;
• chaque évolution touchait plusieurs outils, avec un risque de régression élevé ;
• les données circulaient entre deux hébergeurs, ce qui compliquait l’exploitation et la sécurité ;
• l’application web du client n’avait pas d’API claire pour dialoguer avec le chatbot.

Des réponses pas assez ancrées dans les contrats

Le second enjeu portait sur la qualité des réponses. Un assuré qui interroge Assubot attend une réponse fondée sur son contrat. Il veut connaître ses conditions particulières, ses conditions générales, ses plafonds et ses franchises. Or le premier chatbot produisait trop souvent des réponses génériques. Parfois, il renvoyait même l’utilisateur vers ses propres documents. Pour À l’amiable, cette limite était rédhibitoire. En effet, la promesse du service repose sur une lecture fiable des contrats.

Un besoin d’industrialisation

Enfin, À l’amiable voulait accueillir davantage d’utilisateurs. L’entreprise souhaitait aussi faire évoluer son produit sans dépendre d’un prototype fragile. Il fallait donc une architecture saine et documentée. Son équipe devait pouvoir la reprendre et la faire vivre.

La solution : un chatbot de lecture de document d’assurance fondé sur le RAG

Le choix d’une infrastructure unifiée

IALab a d’abord accompagné À l’amiable dans le choix de sa nouvelle infrastructure. Nous avons regroupé toute la solution sur Azure, le cloud que l’entreprise utilisait déjà :

• une API Python conteneurisée, sur une machine virtuelle, qui centralise la logique du chatbot ;
• une base de données vectorielle, qui stocke les documents découpés en fragments ;
• un stockage objet pour les PDF des contrats et du corpus juridique.

Grâce à cette base vectorielle, le chatbot retrouve les passages pertinents d’un contrat ou d’un texte de loi. L’application Symfony d’À l’amiable consomme ensuite cette API. Nous avons enfin remis au client une documentation de déploiement, de migration et de configuration. Son équipe travaille ainsi en autonomie.

Comprendre la demande avant de chercher

Un message d’assuré contient souvent plusieurs questions, du contexte et des formules de politesse. Le pipeline analyse donc le message avant toute recherche documentaire :

1. Extraction des questions : le chatbot isole chaque question et la reformule pour qu’elle se comprenne seule.
2. Classification : il range ensuite la question dans l’une de cinq catégories. Il distingue une question sur le contrat de l’assuré, une question d’assurance générale, une question ambiguë, un message convivial et une question hors assurance.
3. Identification des produits d’assurance concernés, par exemple l’habitation, l’auto, la santé ou la vie.
4. Détection d’une dimension juridique, lorsque l’assuré évoque un litige ou une décision de justice.

Cette étape de compréhension évite les recherches inutiles. Le chatbot peut ainsi demander une précision plutôt que de répondre à côté.

Lire le contrat de l’assuré

Pour une question sur un contrat, la recherche s’appuie sur les documents de l’assuré. Chaque contrat associe des conditions particulières et des conditions générales. Un identifiant commun relie les deux. Le chatbot identifie d’abord les conditions particulières les plus pertinentes. Il récupère ensuite automatiquement les conditions générales associées.

Le système découpe les documents en fragments qui respectent les phrases. Il garde aussi la trace des pages d’origine. Lors du dépôt d’un contrat, il extrait les métadonnées clés. Il relève les dates de début et de fin, la prime annuelle, la tacite reconduction et la date limite de résiliation. L’application peut donc alerter l’assuré au bon moment.

Le chatbot rédige enfin sa réponse à partir des extraits du contrat. Une consigne claire encadre ce travail : les conditions particulières priment sur les conditions générales. De plus, le chatbot ne renvoie jamais l’assuré vers ses propres documents. Il affiche les sources qu’il a utilisées à la fin de chaque réponse.

S’appuyer sur un corpus juridique

Pour une question d’assurance générale, le chatbot interroge un corpus réglementaire vectorisé. Ce corpus réunit le Code des assurances, le Code de la mutualité et le Code de la sécurité sociale. Le pipeline oriente d’abord la question vers le bon code. La réponse cite ensuite l’article utilisé.

Le corpus rassemble aussi plus de 3 500 décisions de justice. Lorsqu’une question comporte une dimension juridique, le chatbot cherche une jurisprudence proche de la situation de l’assuré. Il nuance alors sa réponse initiale. Il indique notamment si l’assuré a plutôt de bonnes ou de faibles chances d’obtenir gain de cause.

Une collaboration étroite avec l’équipe d’À l’amiable

L’équipe d’À l’amiable connaît son métier et le ton qu’attendent ses utilisateurs. Nous avons donc rédigé et affiné les prompts de chaque étape avec elle. Un fichier de configuration versionné les regroupe, et chacun peut les modifier sans toucher au code. La configuration expose aussi les paramètres de la recherche documentaire, comme les seuils de similarité. L’équipe ajuste ainsi le comportement du chatbot sans redéploiement.

Impact et résultats

Des réponses fondées sur les documents

Assubot répond désormais à partir des contrats de l’assuré et des textes de loi. Il affiche aussi ses sources. Une question ambiguë déclenche une demande de précision, tandis qu’une question hors sujet reçoit un refus poli. Une question juridique bénéficie en plus d’une lecture de la jurisprudence. Enfin, le chatbot suit l’historique de la conversation et réutilise les documents des échanges précédents.

Une architecture saine et documentée

Toute la logique du chatbot vit désormais au même endroit. Elle s’accompagne d’une API claire, de scripts de migration du corpus et d’une documentation de déploiement. L’équipe d’À l’amiable fait donc évoluer les prompts, enrichit le corpus juridique et déploie une nouvelle version en autonomie. La double infrastructure Azure et OVH a disparu au profit d’un hébergement unique.

Une base prête à évoluer

Le pipeline reste modulaire. Chaque catégorie de question suit un traitement isolé. De plus, le corpus accepte de nouveaux types de documents sans que le cœur du système change. Cette structure permet donc à À l’amiable d’accueillir plus d’utilisateurs et de nouvelles fonctionnalités.

Conclusion

Le projet À l’amiable illustre un cas fréquent. Un prototype no-code prouve la valeur d’un chatbot, mais il ne devient jamais un produit. IALab a donc repris une architecture saine, puis a construit un pipeline RAG adapté aux documents d’assurance. Assubot offre aujourd’hui un chatbot de lecture de document d’assurance fiable, maintenable et prêt à grandir.

Vous avez un projet d’IA pour l’assurance ou un chatbot à industrialiser ? Découvrez notre retour d’expérience du notebook au RAG industriel, notre guide de l’IA documentaire, ou contactez-nous.

L’article À l’amiable est apparu en premier sur IALab.

La start-up Schooltopia est une entreprise de soutien scolaire en mathématique destiné aux élèves de niveau collège.

L’agence IALab a accompagné la start-up dans la création d’un chatbot basée sur les technologies  d’IA générative.

Nous avons développé un chatbot capable de suivre des scénarios ou d’échanger avec les élèves via la génération de texte.

L’article Schooltopia est apparu en premier sur IALab.