Formation Développer un assistant conversationnel avec Rasa et LlamaIndex

Programme de notre formation Développer un assistant avec Rasa et LlamaIndex

[Jour 1 – Matin]

Architecture de Rasa et NLU

• Comprendre l’architecture Rasa Open Source
• Configuration du pipeline NLU (Natural Language Understanding)
• Définition des intentions (Intents) et exemples d’entraînement
• Extraction d’entités et gestion des synonymes
• Utilisation des Regex et des tables de recherche
• Atelier pratique : Création d’un premier domaine et entraînement d’un modèle NLU de base.

[Jour 1 – Après-midi]

Gestion du dialogue et Stories

• Flux de conversation : Stories vs Rules
• Gestion des formulaires (Forms) pour la collecte de données
• Manipulation des Slots pour la mémoire à court terme
• Politiques de dialogue (Memoization, TED Policy)
• Atelier pratique : Développement d’un scénario de prise de rendez-vous complexe.

Custom Actions et SDK Rasa

• Développement d’actions personnalisées en Python
• Interaction avec des API externes et bases de données
• Gestion des événements et du dispatcher
• Débogage du serveur d’actions
• Atelier pratique : Connecter Rasa à une API météo ou un CRM fictif.

[Jour 2 – Matin]

Introduction à LlamaIndex et au RAG

• Le concept de RAG (Retrieval-Augmented Generation)
• Architecture de LlamaIndex : Loaders, Indexers et Query Engines
• Connexion à des sources de données (PDF, JSON, bases SQL)
• Gestion des Embeddings et stockage vectoriel
• Atelier pratique : Indexation d’une documentation technique avec LlamaIndex.

[Jour 2 – Après-midi]

Stratégies de recherche avancées

• Optimisation du découpage (Chunking) des documents
• Recherche hybride et Re-ranking des résultats
• Utilisation des agents LlamaIndex pour le raisonnement
• Gestion des invites (Prompt Engineering) pour le contrôle de la réponse
• Atelier pratique : Amélioration de la précision des réponses sur un dataset spécifique.

Hybridation Rasa + LlamaIndex

• Architecture technique pour l’intégration
• Appel de LlamaIndex depuis une Custom Action Rasa
• Gestion du contexte partagé entre Rasa et le moteur de recherche
• Arbitrage entre réponse programmée et réponse générative
• Atelier pratique : Création d’un assistant Rasa capable de répondre aux questions “FAQ” via LlamaIndex.

[Jour 3 – Matin]

Optimisation et Évaluation

• Test de bout en bout avec Rasa Test
• Évaluation de la qualité des réponses RAG (Fidélité, Pertinence)
• Utilisation de Rasa X / Enterprise (panorama) pour le Continuous Learning
• Optimisation des temps de réponse (Latence)
• Atelier pratique : Mise en place d’un banc de test pour évaluer les régressions du chatbot.

[Jour 3 – Après-midi]

Déploiement et Industrialisation

• Conteneurisation avec Docker et Docker Compose
• Sécurisation des endpoints et gestion des secrets
• Connexion à des canaux tiers (Slack, Telegram, Webchat)
• Monitoring des conversations et logs d’erreurs
• Atelier pratique : Déploiement du stack complet sur un serveur distant.

Cas pratique final : L’assistant Expert

• Cahier des charges : créer un assistant complet sur un domaine métier
• Implémentation des flux métiers (Rasa) et de la base de connaissance (LlamaIndex)
• Démo live et feedback critique
• Revue des bonnes pratiques de sécurité et d’éthique IA
• Atelier pratique : Projet final de synthèse intégrant toutes les notions de la formation.