Plateforme 📱 ===================== Notre objectif final étant de développer une plateforme intuitive, opérationnelle et sécurisée, dans cette section, nous allons détailler le processus de la création de la plateforme et son fonctionnement. Les Outils Utilisés ^^^^^^^^^^^^^^^^^ Le Framework Django ------------------- Dans le cadre du développement de la plateforme, plusieurs outils ont été employés pour assurer une implémentation efficace et robuste. Parmi ces outils, Django, un framework web en Python, a été choisi comme base fondamentale. Django offre une structure organisée, une gestion simplifiée des bases de données, des fonctionnalités de sécurité avancées, et facilite le déploiement rapide d’applications web. La base de données Postgresql -------------------- La base de données, basée sur PostgreSQL, est spécifiquement conçue pour stocker les informations sur les pièces de véhicules , ainsi que les statistiques liées à leur évolution. PostgreSQL a été choisi en raison de sa flexibilité, de sa robustesse, et de sa prise en charge de fonctionnalités avancées, ce qui en fait un choix idéal pour le stockage et la gestion des données prédictives. OpenAI Api -------------- L’API OpenAI est une interface de programmation d’application (API) fournie par OpenAI, une entreprise spécialisée dans l’intelligence artificielle. L’API OpenAI donne aux développeurs la possibilité d’intégrer les modèles de langage d’OpenAI, tels que GPT (Generative Pre-trained Transformer), dans leurs propres applications, produits ou services. LangChain ------------ LangChain est un framework conçu pour développer des applications alimentées par des modèles de langage, en facilitant leur intégration dans diverses applications. Il se compose principalement de schémas et de modèles. Architecture de la plateforme ^^^^^^^^^^^^^^^^^^^ Notre plateforme intègre une interface de chat, un tableau de bord et une base de données. Les utilisateurs soumettent des avis sur les véhicules via le chat. Le modèle, utilisant le prompt engineering ou le RAG, génère de complètes réponses contextuelles ( Table DFMEA, informations sur les éléments dans la base de données). Ces réponses sont affichées dans le chatbot et enregistrées dans la base de données. Le modèle peut également utiliser les données de la base pour des réponses personnalisées. Les informations de la base sont visualisées sur le dashboard, aidant l’entreprise à prendre des décisions éclairées basées sur les tendances observées. .. image:: ../images/architecture.png :width: 100% :align: center :alt: Architecture de la plateforme L’interface Chat ---------------- L’interface de chat offre la fonctionnalité permettant aux utilisateurs de générer des rapports DFMEA (Design Failure Mode and Effect Analysis) de l’entreprise via le modèle RAG. En interagissant avec cette interface, les utilisateurs peuvent poser des questions ou soumettre des requêtes spécifiques concernant les aspects de la conception des véhicules. .. image:: ../images/chat.png :width: 90% :align: center :alt: chat interface Génération des tables DFMEA --------------------------- Lorsqu’un utilisateur soumet un avis contenant des plaintes sur un véhicule, l’interface de chat entre en action en utilisant le modèle RAG. Dans le contexte donné, le modèle est instruit de générer du code HTML pour une table d’informations pertinentes ainsi qu’une table DFMEA (Design Failure Mode and Effect Analysis). Le modèle, grâce au prompt engineering, produit le code HTML nécessaire, excluant explicitement les balises et éléments non autorisés. Il crée ainsi deux tables distinctes : une table d’informations pertinentes, comprenant des détails tels que l’année d’achat, le kilométrage actuel, les réparations majeures, etc., et une table DFMEA détaillée, catégorisant les composants du véhicule, les modes potentiels de défaillance, les effets associés, les causes probables, les contrôles actuels, ainsi que des mesures de gravité, d’occurrence, de détection et de nombre de priorités de risque (RPN). L’interface de chat, étant un interpréteur HTML, affiche ensuite ces tables générées directement dans la conversation. Le résultat est une présentation claire et concise des informations pertinentes et de l’analyse DFMEA, prête à être interprétée et utilisée par l’utilisateur. Ce processus garantit une réponse précise et immédiate en réponse aux exigences spécifiques définies dans le contexte. .. image:: ../images/chat1.png :width: 90% :align: center :alt: chat interface .. image:: ../images/chat2.png :width: 90% :align: center :alt: chat interface Dashboard ---------- Le Dashboard nous permet de visualiser les tendances des informations clients dans notre base de données et de prendre des décisions en conséquence. C’est un résumé de toutes les interactions des utilisateurs avec le chatbot. Les fonctionnalités clés de ce tableau de bord incluent une analyse en temps réel, l’évaluation continue de l’impact des améliorations, une exploitation approfondie des avis et la mise à jour automatique des indicateur. .. image:: ../images/dashboard.png :width: 90% :align: center :alt: chat interface .. image:: ../images/dash2.png :width: 90% :align: center :alt: chat interface Utilisant le diagramme de Pareto, également appelé la règle des 80/20, nous simplifions l’analyse en identifiant et hiérarchisant les problèmes majeurs ou causes les plus prédominantes contribuant aux défauts, erreurs ou inefficacités. Pour approfondir davantage, nous pouvons également visualiser l’évolution temporelle de chaque pièce. Ce processus est actualisé en temps réel à chaque nouvel avis client émis. Ci-dessous, un aperçu des statistiques spécifiques à chaque pièce dans notre tableau de bord. .. image:: ../images/graphs.png :width: 90% :align: center :alt: chat interface Comme illustré sur la Figure 12, chaque pièce individuelle est représentée en fonction du nombre d’occurrences dans les avis clients. Ce processus est dynamique et peut être adapté pour analyser spécifiquement les avis négatifs, positifs, par mois, par produit, etc.