Étude de cas
Assistant RAG & chatbot immobilier
Un assistant et chatbot RAG qui répond aux questions posées sur les documents immobiliers avec des réponses sourcées.
Situation
Une entreprise immobilière gérait un volume important de documents de propriété — annonces, diagnostics techniques, actes juridiques. Le personnel cherchait et recoupait constamment ces documents pour répondre aux questions des clients et des équipes internes.
Tâche
Le client voulait un assistant en langage naturel capable de répondre rapidement aux questions sur le corpus, avec des sources vérifiables, pour remplacer la recherche manuelle.
Action
J'ai conçu et livré un système de génération augmentée par récupération (RAG) avec une interface chatbot :
- Indexation : documents de propriété parsés, découpés en chunks, encodés et stockés dans Qdrant.
- Récupération : recherche vectorielle top-k avec filtres par métadonnées pour cibler les bons types de documents et dates.
- Chatbot : interface conversationnelle exposant le pipeline de récupération, avec des réponses citant leurs chunks sources.
Résultat
- Le personnel a répondu aux questions documentaires en conversation plutôt que par des recherches manuelles.
- Les réponses sourcées ont rendu les informations vérifiables — important pour des documents à portée juridique.
- Le pattern de récupération était réutilisable sur les autres corpus du client.
Note de confidentialité
Client et détails de propriété restent généraux ici, dans la même posture que mes autres études de cas réglementées.
Points forts de la stack
- LangChain pour le pipeline de récupération
- Qdrant comme store vectoriel
- Python pour toute la logique d'ingestion et de recherche