Du Dashboard à l'Agent IA (NLP)
Mettre fin au "Cimetière des Dashboards". Comment structurer la donnée brute pour créer une Supply Chain prédictive, interrogeable en langage naturel, le tout dans un environnement souverain.
1. L'Exécution : prototypes analytiques (POC)
Avant de conceptualiser des modèles d'IA, la maîtrise de la donnée opérationnelle est un pré-requis absolu. Afin de fiabiliser la prise de décision, j'ai développé des POC (Proof of Concept) permettant de transformer la donnée brute (structurée ou non) en indicateurs de performance actionnables.
👇 Sélectionnez une application ci-dessous pour explorer mes réalisations :
2. La Philosophie : Vaincre le "Cimetière des Dashboards"
En Supply Chain, la donnée est le nerf de la guerre. Après avoir conçu ces prototypes, le constat est clair : l'industrie a tendance à créer des monstres. Des rapports tentaculaires avec 50 indicateurs et des dizaines de filtres croisés engendrent une KPI Fatigue généralisée.
Lors d'un changement de management, le savoir se perd, personne n'ose modifier l'outil par peur de casser une requête SQL, et l'entreprise se retrouve avec un "cimetière de tableaux de bord" que plus personne ne consulte.
L'Application de la méthode "Less is More" :
Amazon & Apple
Ces géants n'utilisent qu'une seule North Star Metric par département (ex: le Order Defect Rate chez Amazon ou le NPS chez Apple). Un KPI unique dicte l'action. 50 KPIs dictent la paralysie.
Mon Application Concrète
J'applique systématiquement cette approche sur mes projets Data. En remplaçant des dizaines de pages de rapports par un unique cockpit décisionnel focalisé sur l'essentiel, on divise par deux les temps de réunion et on rend l'adhésion immédiate.
3. Architecture : IA Souveraine & Sécurité (RAG)
Déléguer l'analyse de données complexes à une IA est l'étape suivante logique. Mais dans des secteurs critiques (Défense, Aéronautique), il est impensable d'envoyer nos bases de données clients vers les serveurs cloud d'OpenAI (ChatGPT) à cause du Cloud Act américain et du secret industriel.
La solution technique que je préconise s'appuie sur une architecture On-Premise (Air-Gapped) utilisant la méthode RAG (Retrieval-Augmented Generation) :
Flux de traitement sécurisé (RAG local)
1. Data Lake (ERP)
Données brutes SAP / Pivotal.
2. Base Vectorielle
Indexation des données pour recherche sémantique.
3. LLM Souverain
Modèle open-source (ex: Mistral 8x7B) hébergé en interne.
Cette méthode limite fortement les hallucinations (l'IA répond à partir des documents internes, cite ses sources et doit s'abstenir quand elle n'en trouve pas) et garantit qu'aucune donnée ne sort du réseau de l'entreprise (100 % souverain).
4. Cas pratique : moteur RAG documentaire
L'architecture ci-dessus n'est pas qu'un schéma. Ce moteur fonctionne réellement : il interroge un corpus de procédures logistiques, retrouve les passages pertinents, répond en citant ses sources et refuse de répondre quand aucune source ne le permet. Tout s'exécute dans votre navigateur, sans aucun appel réseau : c'est le principe de souveraineté appliqué à petite échelle.
Ce que ce POC démontre
- Recherche hybride : BM25 (mots exacts) + trigrammes (fautes de frappe), fusionnés par RRF.
- Lexique métier FR/EN : une question en anglais retrouve une procédure en français.
- Garde-fous : réponse citée ou abstention, jamais d'invention ; droits d'accès appliqués avant la recherche.
- Évaluation : un jeu de test mesure la qualité (Hit@3, MRR) pour comparer les réglages.
Passage à l'échelle (production)
- Trigrammes → embeddings multilingues dans une base vectorielle (pgvector, Qdrant).
- Extraction de phrases → LLM local (ex. Mistral via Ollama) contraint aux passages cités.
- Corpus alimenté depuis la GED (PDF, procédures qualité), droits hérités de l'annuaire (SSO).
- Banc d'évaluation enrichi par les questions réelles des utilisateurs, rejoué à chaque mise à jour.
5. Vision cible : l'Agent IA Logistique (maquette UX)
Testez l'expérience utilisateur finale favorisant l'adoption. Un manager pose sa question en langage naturel. L'IA génère la requête SQL, interroge la base, et offre le choix de la visualisation de façon dynamique.
👇 Cliquez sur les requêtes ci-dessous pour interagir avec la maquette.
6. Conclusion : L'Adoption par la Simplicité
"La donnée est le nerf de la guerre, et celui qui la rend facilement assimilable gagne. Que ce soit par des tableaux de bord épurés ou par l'IA. L'avantage décisif de l'IA réside dans l'adoption : elle permet au personnel d'interagir avec la complexité textuellement et sans friction."
En fusionnant une architecture de donnée solide et des interfaces interactives (naturelles), l'impact sur la conduite du changement est immédiat :
La simplification brise la barrière technique pour les opérationnels.
Fini les réunions de 2 heures pour extraire et croiser un indicateur.
Arguments chiffrés instantanés pour justifier la stratégie (SLA, RH).