Formation Rasa Chatbot Builder

Programme de Rasa Chatbot Builder

Découvrir l’architecture de Rasa et les fondamentaux du conversational AI

• Présentation du framework Rasa et des composants clés
• Comprendre l’écosystème Rasa Open Source et Rasa Pro
• Principes du Traitement du Langage Naturel (NLP) appliqué à Rasa
• Positionner Rasa dans une architecture Data et Machine Learning
• Cas d’usage Data : automatisation de la collecte, pilotage de workflow, Q&A technique
• Atelier : Installation de Rasa, exploration de la structure de projet, premiers échanges

Configurer et personnaliser le NLU pour des jeux de données Data

• Structure du NLU pipeline : composants, configuration, tuning
• Gestion des intents, entities et synonymes pour la Data Science
• Création et import de corpus d’entraînement spécifiques Data
• Stratégies d’annotation et d’amélioration continue des données d’entraînement
• Introduction aux tests et à l’évaluation du NLU
• Atelier : Annotation, entraînement et tests du NLU sur un use-case métier Data

Modéliser les conversations et gérer les stories complexes

• Notion de stories et règles conversationnelles
• Gestion des dialogues conditionnels et multi-turn
• Utilisation des slots et formulaires pour collecter des informations structurées
• Enrichir l’expérience utilisateur avec des réponses personnalisées
• Exemples de flows conversationnels Data : diagnostic, extraction, automatisation
• Atelier : Création de stories avancées et tests de conversations en conditions réelles

Configurer l’action server et automatiser les réponses métiers

• Introduction à l’action server : scripts personnalisés en Python
• Connexion à des bases de données ou API internes Data
• Gestion des webhooks, intégration avec des dashboards, notebooks ou services ML
• Exemple d’automatisation métier Data via actions personnalisées
• Tests unitaires et monitoring des actions

Intégrer Rasa dans l’écosystème Data et outils analytiques

• Déploiement sur serveur, VM, ou via Docker
• Connexion avec des outils Data : Jupyter, Airflow, outils BI
• Authentification, sécurisation et gestion des accès
• Suivi des logs et audit des conversations
• Gestion du cycle de vie du bot 

Déployer le chatbot et orchestrer sa supervision en production

• Automatiser le déploiement avec scripts, CI/CD, cloud
• Surveillance : métriques, alertes, analyse de logs
• Gestion des erreurs et stratégie de fallback
• Plan d’amélioration continue basé sur l’analyse des retours utilisateurs
• Checklist de supervision pour environnement Data/DevOps
• Atelier : Déploiement d’un chatbot complet, supervision et troubleshooting

Optimiser le NLU et la qualité des conversations Data

• Stratégies d’amélioration du NLU pipeline : tuning, modèles pré-entraînés
• Utilisation des feedbacks utilisateurs pour réentraîner le bot
• Gestion du versioning, rollback et historique des modèles
• Mesure de la performance : précision, rappel, confusion matrix
• Étude de cas : résolution de problèmes de compréhension sur données Data

Industrialiser et documenter le projet chatbot Data

• Structurer la documentation technique et fonctionnelle
• Définir une gouvernance projet Data/IA adaptée
• Automatiser les tests, la validation et le packaging
• Préparer l’intégration continue (CI) et la livraison continue (CD)
• Diffuser les bonnes pratiques de sécurité, qualité et conformité Data

Scalabilité, gestion multi-bots et innovations futures

• Orchestration de plusieurs bots : use-cases Data complexes
• Gestion des multiples langues, canaux, et tenants Data
• Perspectives d’intégration : IA générative, LLMs, modèles sur-mesure
• Benchmark et retour d’expérience sur des déploiements Data à grande échelle
• Plan d’action pour aller plus loin, veille technologique Rasa et Data
• Atelier : Scénario de déploiement multi-bot ou intégration avancée