(05) — ÉTUDE DE CAS
Horizon
SaaS · IA & RAG
FastAPIPythonQdrantGoogle AIRAG
Projet client privé
Contexte
Le client gère des volumes importants de documents internes : rapports, guides métier, archives. La recherche manuelle dans ces corpus est chronophage et source d'erreurs.
Mission
Concevoir une plateforme permettant d'interroger une base documentaire en langage naturel, avec des réponses sourcées et traçables.
Solution
Architecture RAG (Retrieval-Augmented Generation) : ingestion multi-format, chunking sémantique, indexation vectorielle Qdrant, et génération de réponses avec citations de sources via Google AI.
Chiffres clés
<2sTemps de réponse moyen
6 semainesPipeline opérationnel en
3 formatsIngestion (PDF, DOCX, CSV)
Résultats
- Pipeline RAG complet opérationnel en 6 semaines
- Temps de réponse moyen inférieur à 2 secondes
- Support des formats PDF, DOCX et CSV
- Garde-fous anti-hallucination avec sourçage systématique
Stack technique
- BackendFastAPI (Python 3.11)
- VectorisationQdrant (self-hosted)
- LLMGoogle AI (Gemini)
- IngestionPyMuPDF, python-docx, pandas
- ChunkingLangChain text splitter sémantique
Métriques clés
Pipeline RAG complet · Réponses en <2s · Multi-format (PDF, DOCX, CSV)
Votre projet
Un projet SaaS · IA & RAG ?
Discutons de vos besoins et voyons comment obtenir des résultats comparables pour votre activité.