Etudiant : MASROUR ABDELHAFID

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

Encadrant : Pr. NFAOUI EL HABIB

Annèe : 2026

Résumé : Face aux défis de gestion opérationnelle des données massives et hétérogènes produites par l’Aciérie Maghreb Steel, ce projet de fin d’études, réalisé en partenariat avec la société Alexsys Solutions, propose la conception et l’implémentation d’un système d’intelligence artificielle multi-agentique baptisé KPI-Agent. Ce système vise à démocratiser l’accès aux indicateurs de performance industrielle en permettant aux opérateurs d’interroger les données de production en langage naturel, sans expertise SQL ni outils de Business Intelligence complexes. L’architecture repose sur un graphe d’état conditionnel orchestré par le framework LangGraph (v0.2.45), coordonnant quatre agents spécialisés aux responsabilités distinctes : un PlannerAgent superviseur réalisant la classification sémantique des requêtes via détection de mots-clés et routage LLM ; un SQLAgent interfaçant un moteur KPI Gold certifié (10 formules officielles) sur une base SQLite de 39 519 lignes et 13 tables ; un RetrieverAgent implémentant une pipeline RAG hybride (Dense Search via Milvus / HNSW + BM25 + Fusion RRF + Cross-Encoder) ; et un GeneratorAgent exploitant le LLM Groq / LLaMA-3.1-8B-Instant pour la génération de réponses en langue naturelle. La pipeline RAG hybride constitue le cœur scientifique du projet. Elle combine la recherche sémantique dense (modèle all-MiniLM-L6-v2, 384 dimensions, index HNSW cosinus) avec la recherche lexicale sparse (BM25Okapi, k1 = 1,5, b = 0,75), fusionnées par l’algorithme Reciprocal Rank Fusion (k = 60), puis re-classées par un CrossEncoder (ms-marco-MiniLM-L-6-v2). Cette architecture garantit une couverture sémantique et lexicale complémentaire, particulièrement adaptée à la terminologie industrielle spécialisée. Les évaluations formelles sur un jeu de 12 questions industrielles annotées démontrent une accuracy globale de 100 %, un F1-Score KPI de 100 %, un taux d’hallucination de 0 % sur les valeurs numériques, une latence médiane de 342 ms pour les requêtes KPI et de 5 747 ms pour les requêtes documentaires (Cross-Encoder sur CPU). Le système est exposé via une API REST FastAPI sécurisée (RBAC à 3 niveaux), complétée par un chatbot web dark-mode, un tableau de bord interactif Chart.js et un export CSV compatible avec les outils Business Intelligence.