Assistant culturel · Étude de cas
Trouver un événement en langage naturel
Un assistant qui recherche dans un corpus culturel et relie une demande à des événements pertinents.
Mon rôle : pipeline IA, API, interface et évaluation.
Voir les résultatsDe la demande à la réponse
Architecture du projet · Explore chaque étape
« Je cherche une exposition d’art contemporain à Marseille. »
Question de l’évaluation enregistrée
Comprendre la demandeReact → FastAPI
L’interface transmet la question et la session. Le routage distingue une conversation d’une recherche dans le corpus culturel.
Retrouver les événementsMistral embeddings → FAISS
La demande est représentée par un vecteur pour retrouver les documents proches dans l’index. La pertinence de cette recherche conditionne le contexte disponible.
Construire la réponseLangChain / LCEL → Mistral
Le modèle reçoit la question, le contexte récupéré et l’historique. Le prompt demande une réponse fondée sur les événements fournis et leurs sources.
Conserver le filPostgreSQL
Les échanges sont reliés à une session et persistés. L’évaluation enregistrée examine ensuite la latence et la couverture de mots-clés des réponses.
Schéma explicatif du pipeline, sans exécution du modèle.
Relier une intention à des données réelles.
Permettre une recherche d’événements avec des préférences et des contraintes exprimées en langage naturel.
J’ai construit le pipeline de recherche et de génération, son API et son interface, puis un protocole d’évaluation des réponses.
Trois choix qui structurent le produit
- Séparer les échanges conversationnels des demandes nécessitant une recherche dans le corpus.
- Combiner embeddings Mistral, index FAISS et génération via LangChain/LCEL.
- Relier le pipeline à FastAPI et React, avec persistance des sessions PostgreSQL.
Python / FastAPI / React / PostgreSQL / FAISS
Ce qui a été mesuré.
2,412secondes de latence moyenne
12 questions enregistrées : 9 requêtes RAG et 3 conversations.
Évaluation sauvegardée du 16 janvier 2026, examinée dans l’audit du 9 octobre. Mesure non reproduite pour ce portfolio.
Ce que j’en retiens
Ce petit échantillon permet d’examiner le pipeline. Il ne démontre pas une qualité générale des réponses.
La couverture de mots-clés utilisée ne mesure pas la fidélité aux sources. Les contraintes temporelles restent un point à améliorer ; une évaluation indépendante du retrieval et des réponses est nécessaire.
La prochaine étape : évaluer séparément la recherche, la fidélité aux sources et le respect des contraintes temporelles.
Explorer le travail derrière le projet.
Projet réalisé dans le parcours AI Engineer d’OpenClassrooms. Le code et le dossier détaillé permettent de retrouver les choix, les fichiers évalués et les limites de cette étude.