RAG Centric PLM
Assistant IA conversationnel pour la base de connaissances Centric PLM, intégré directement dans Microsoft Teams
Discuter d'un projet similaireRéponse courte
RAG Centric PLM est un assistant IA conversationnel développé par Digit-AI qui transforme environ 1 400 fichiers de documentation technique Centric PLM en base interrogeable en langage naturel, accessible depuis Microsoft Teams. Les consultants et chefs de projet retail/fashion posent leurs questions et reçoivent en quelques secondes une réponse sourcée, citation à l'appui. Le pipeline RAG enchaîne un router (Claude Haiku 4.5) qui choisit les collections à interroger, une récupération hybride (Qdrant, cosine + BM25, ~54 800 chunks sur 5 collections) suivie d'un reranker cross-encoder, puis une génération (Claude Sonnet 4.6) qui rédige la réponse avec citation des sources. L'application est en production sur Azure (région francecentral), avec ingestion incrémentale depuis SharePoint et Confluence, sauvegarde versionnée et auto-healing.
Le contexte client
Les consultants Centric PLM passent un temps considérable à chercher l'information dans une documentation riche mais dispersée
Les consultants et chefs de projet retail/fashion qui déploient Centric PLM jonglent avec une documentation très dense et éparpillée : guides d'administration, exemples d'expressions, scripts d'intégration, comptes-rendus client. Trouver la bonne réponse pouvait prendre plusieurs heures. RAG Centric PLM rend cette base interrogeable en langage naturel et répond en quelques secondes, avec citation des sources.
Documentation dispersée
Guides d'administration, exemples d'expressions, scripts d'intégration, comptes-rendus client… répartis sur plusieurs supports.
Temps de recherche élevé
Une question précise pouvait demander plusieurs heures de fouille manuelle avant d'obtenir une réponse fiable.
Multi-clients, multi-formats
Configurations spécifiques par client (Site.xml, Site.js, slicers, expressions), scripts d'intégration en SQL/CSV/XML.
Connaissance évolutive
La base s'enrichit chaque semaine : nouvelles formations, retours d'expérience client, mises à jour produit Centric.
Périmètre fonctionnel
Consultants et chefs de projet déployant Centric PLM dans le retail et la mode. Processus couverts : interrogation en langage naturel depuis Teams, réponses sourcées, exploration via interface web, ingestion incrémentale des sources et évaluation continue de la qualité.
Contraintes principales
Hébergement souverain en région francecentral · Réponses systématiquement sourcées et auditables · Base évolutive synchronisée automatiquement · Sécurité (anti-injection prompt, secrets centralisés, conteneurs non-root) · Haute disponibilité avec backup et auto-healing.
Ce que RAG Centric PLM résout
Trois axes pour rendre la connaissance Centric PLM instantanément accessible et fiable
Réduire le temps de recherche
Passer de plusieurs heures de fouille manuelle à quelques secondes pour obtenir une réponse précise, directement dans Teams.
Des réponses fiables et sourcées
Chaque réponse cite ses sources (fichier, collection, score) et s'appuie sur une génération à basse température pour la rigueur factuelle.
Une base toujours à jour
Ingestion incrémentale depuis SharePoint et Confluence pour refléter en continu l'évolution de la connaissance, sans réindexation manuelle.
Ce que permet RAG Centric PLM
Au-delà du chat conversationnel, une application pensée pour s'intégrer dans les outils du quotidien et évoluer en continu
Bot conversationnel dans Teams
Pose une question dans un canal ou en chat direct et reçois une réponse en quelques secondes, sans changer d'outil. Authentification SSO Teams native.
Réponses sourcées
Chaque réponse cite les chunks utilisés (nom de fichier, client, collection, score de pertinence) pour remonter au document source.
Interface web Streamlit
Pour les usages avancés : exploration des collections, statistiques d'ingestion, replay d'une évaluation sur un jeu de questions.
Ingestion incrémentale
Sync SharePoint quotidien (delta query) et Confluence hebdomadaire (espaces CBFR + CKB) : seuls les fichiers nouveaux ou modifiés sont retraités.
Sauvegarde versionnée
Snapshot Qdrant quotidien vers Azure Blob, versioning par date et rétention GFS (7 jours / 4 semaines / 6 mois), avec restauration point-in-time.
Évaluation continue
Jeu de 39 questions d'évaluation rejouable à chaque release, avec comparatif side-by-side et auto-classification (complète / partielle / refus).
Stack Technique
Une stack moderne, en grande partie open source, déployée sur Azure Container Apps en région francecentral pour la souveraineté des données
Langage & API
Vector & embeddings
Intelligence artificielle
Intégrations
Infrastructure
CI/CD & Secrets
Pattern différenciant — Pipeline RAG à 3 étapes routées : plutôt qu'une recherche vectorielle naïve, le pipeline enchaîne un router (Claude Haiku) qui cible les bonnes collections, une récupération hybride (cosine + BM25) suivie d'un reranker cross-encoder, puis une génération (Claude Sonnet, température 0.1) qui rédige une réponse sourcée et protégée contre l'injection de prompt. Résultat : des réponses précises, traçables et fiables sur une base de ~54 800 chunks.
Schémas d'Architecture
Des sources synchronisées vers Qdrant, un pipeline RAG en trois étapes, et un accès double Teams + interface web — le tout sur Azure francecentral
Sources de connaissance
SharePoint Online
Drive Centric · delta quotidien (Graph API)
Confluence Cloud
Espaces CBFR + CKB · hebdomadaire
Ingestion incrémentale
Chunking + embeddings E5-large
Seuls les fichiers nouveaux/modifiés
Vector store
Qdrant 1.12
~54 800 chunks · 5 collections · cosine + BM25
Pipeline RAG
Router (Claude Haiku 4.5)
Retrieval + reranker
Generation (Claude Sonnet 4.6)
Accès utilisateur
Bot Microsoft Teams
SSO natif · réponse sourcée
Interface web Streamlit
Exploration, stats, évaluation
Plateforme (Azure francecentral)
Container Apps · Blob backup GFS · Doppler
Hébergement souverain
Impact et gains qualitatifs
Le service est en production : voici comment l'expérience consultant a évolué
| Indicateur | Avant | Avec RAG Centric PLM | Gain |
|---|---|---|---|
| Temps pour trouver une info technique précise | Plusieurs heures, parfois plusieurs jours | Quelques secondes à quelques minutes | Réduit drastiquement |
| Accès à la documentation | Multiplication d'outils (drives, wikis, mails) | Une seule entrée : un chat dans Teams | Centralisé |
| Traçabilité de la réponse | Difficile (de mémoire ou par capture) | Chaque réponse cite ses sources | Auditable |
| Mise à jour de la base | Indexation manuelle, occasionnelle | Sync SharePoint quotidien + Confluence hebdo | Automatisé |
| Sécurité des données | Documents diffusés par mail, pièces jointes | Hébergement Azure francecentral, anti-injection | Renforcé |
Sécurité & opérations
Hébergement souverain
Tous les services en région francecentral (Paris) sur Azure. Ingress interne entre services, ingress externe limité à l'API et au web.
Secrets centralisés
Gestion via Doppler puis injection comme secrets référencés dans les Container Apps. Aucune clé en clair, audits bandit / gitleaks / hadolint.
Anti-injection prompt
Le system prompt protège contre l'injection de prompt utilisateur. Filtre de rédaction des secrets dans les logs, conteneurs en utilisateur non-root.
Backup & restore
Snapshot Qdrant quotidien vers Azure Blob, copie versionnée avec rotation GFS et restauration point-in-time en une commande.
Auto-healing
Un job sentinelle s'exécute toutes les 15 minutes : si une collection Qdrant est vide alors qu'un backup existe, il restaure automatiquement.
CI/CD GitOps
Un push sur main déclenche le build des 5 images Docker via GitHub Actions, le push vers GHCR et le déploiement des Container Apps.
Exemples de questions traitées
Quelques questions réelles posées à l'application (extrait du jeu d'évaluation interne), illustrant la diversité des sujets couverts
Comment fait-on un watchAttribute dans Centric PLM ?
L'API JavaScript watchAttribute est configurée dans Site.js pour déclencher une action quand un utilisateur modifie la valeur d'un attribut sur un nœud. Plusieurs patterns existent (même nœud, nœud cible, plusieurs nœuds via changeList).
Sources : 5 chunks des collections configuration et référence (Centric Configuration Training, AAT-AdvancedAttributeConfiguration).
Quelle est la différence entre les attributs list, map et vector ?
La réponse synthétise les trois structures, leur cas d'usage typique en configuration Centric, et renvoie aux exemples Site.xml correspondants pour chaque type d'attribut.
Sources : Chunks issus de configuration, formations Centric et exemples d'intégration client.
Quelles sont les grandes étapes d'un projet de montée de version PLM ?
L'application liste le séquencement type (préparation, pré-prod, recette, prod), avec les points d'attention par module et les références aux release notes Centric.
Sources : Chunks référence, release notes Centric v7.4, fiches projet.