Assistant RAG pour événements locaux : ingestion open data, recherche vectorielle et API démontrable

Pour un usage métier, un assistant d'information sur des événements doit rester fiable sur des éléments concrets comme la date, le lieu, le prix ou la réservation. Le projet se concentre donc sur un RAG contraint par le contexte, avec obligation de ne pas inventer ce qui n'est pas présent dans les données récupérées.

Le pipeline récupère les événements depuis OpenDataSoft ou OpenAgenda sous forme d'export Parquet, applique un filtrage métier sur la zone et la période, puis normalise les enregistrements dans un format homogène. L'usage d'un modèle Pydantic permet d'absorber l'hétérogénéité des champs tout en gardant une chaîne robuste face aux données mal formées ou incomplètes.

Les événements normalisés sont transformés en documents puis découpés en chunks avant calcul des embeddings. Le choix d'un index FAISS local, associé à des embeddings Ollama et à une persistance maîtrisée, permet de garder un système démontrable en local, reproductible et lisible sur le plan technique.

Le moteur applicatif orchestre récupération des meilleurs contextes puis génération de réponse à partir d'un prompt explicitement contraint. La réponse doit rester concise, datée lorsque nécessaire, et déclarer qu'elle ne sait pas lorsque l'information n'est pas présente dans les contextes récupérés.

Le projet expose des endpoints cohérents avec les besoins du POC, notamment pour vérifier la santé du système, poser une question, relancer la récupération des données et reconstruire l'index. Une interface Gradio complète l'ensemble pour offrir une démonstration simple sans dépendre d'un frontend plus lourd.

Le travail ne s'arrête pas au prototype fonctionnel. Le dépôt comprend des tests automatisés couvrant récupération, indexation, moteur RAG, API et performances, ainsi qu'un jeu annoté et une évaluation RAGAS. Cette combinaison permet de distinguer la robustesse logicielle du système et la qualité réelle des réponses générées.

Les métriques RAGAS montrent une bonne fidélité au contexte et un niveau correct de précision et de rappel sur les contextes récupérés, mais une pertinence de réponse encore perfectible. Le projet est donc intéressant parce qu'il expose clairement son axe principal d'amélioration au lieu de masquer ses limites derrière une simple démonstration.

Le système est conçu pour être lancé localement en conteneur, avec API et interface pilotées dans une même image pour simplifier la démonstration. Une pipeline GitLab CI complète l'ensemble avec lint, tests, build et déploiement, ce qui donne au POC une base d'industrialisation minimale mais défendable.

Le système reste sensible à la qualité du dataset public, aux choix de chunking, à la valeur de k et à la disponibilité d'Ollama local. Les performances relevées sur environnement mocké ne doivent pas être lues comme des garanties de production, et la pertinence de réponse reste le principal point à améliorer.