Etudiant : LOUAH AMMAR

Filière : Master Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. EN-NAHNAHI NOUREDDINE

Annèe : 2026

Résumé : Ce projet de fin d’études, conduit au sein de la division Electronics de Bertrandt Technologies, a porté sur la conception, la réalisation, l’évaluation et le déploiement de BerCE (Bertrandt Chat Engine), une plateforme conversationnelle d’entreprise fondée sur le paradigme Retrieval-Augmented Generation (RAG) et bâtie sur Microsoft Azure. Elle répond à un besoin métier précis : rendre exploitable, en langage naturel et de manière traçable, un patrimoine documentaire interne hétérogène et multilingue, difficilement accessible par les outils de recherche classiques. La solution livrée s’organise en cinq microservices indépendants, articulés autour de Redis pour l’état partagé et de services Azure managés : AI Search pour la recherche hybride et le reranking sémantique, OpenAI pour la génération et les plongements, Document Intelligence pour l’extraction documentaire, Blob Storage pour le stockage et Event Grid pour l’ingestion événementielle. Le moteur de recherche est issu de quatre itérations successives, conduisant de ChromaDB seul à Azure AI Search natif. Le cache a suivi une évolution similaire, aboutissant à un cache cascadé combinant clé canonique et cache sémantique par plongement, alimenté par une expansion multilingue de la requête. La plateforme est sécurisée de bout en bout : les surfaces utilisateur et d’administration sont protégées par Microsoft Entra ID, l’accès au générateur est encadré par une limitation de débit, et aucune donnée ne sort du périmètre Azure. Une console d’administration permet aux opérateurs non développeurs d’ajuster les paramètres à chaud, de gérer les documents et le cache, et de superviser le système en temps réel. L’ensemble est industrialisé par une chaîne Azure DevOps déployant sur Azure Container Apps et Azure Static Web Apps. BerCE intègre également une architecture multi-projets permettant d’héberger plusieurs assistants indépendants et cloisonnés depuis la même infrastructure. Une authentification par clé API permet l’intégration de l’assistant sur des sites tiers sans authentification d’entreprise. Une boucle de retour utilisateur alimente enfin un score de qualité documentaire et constitue un jeu de données destiné à l’amélioration continue du système. L’évaluation hors ligne, conduite sur 100 questions de l’Open RAG Benchmark avec un échantillonnage proportionnel couvrant les quatre modalités du corpus, confirme la pertinence des choix retenus : la configuration en production atteint un document hit-rate de 1,000, une Faithfulness de 0,986 et une Answer Relevancy de 0,963, tout en réduisant la latence médiane de bout en bout à 5,1 s contre 24,7 s et 17,1 s pour les itérations précédentes.