Toutes les études de cas / Étude de cas 03 / 12
Veltaro Industries
Moteur de connaissance GraphRAG
Un moteur de connaissance qui relie Jira, Confluence et Teams
En clair
Des années de tickets, de pages wiki et de conversations transformées en un graphe de connaissances que les équipes interrogent en langage courant, avec des réponses qui relient les informations entre elles et citent leurs sources.
- Client
- Veltaro Industries
- Secteur
- Industrie, pièces automobiles
- Taille
- 1 200 collaborateurs, 3 sites
- −70 %de temps passé à chercher l’information
- 3 outilsreliés dans une seule réponse
- 100 %des réponses citent leurs sources
Le contexte
Les équipes qualité, méthodes et maintenance de Veltaro documentent tout : incidents dans Jira, procédures dans Confluence, décisions au fil des conversations Teams. Mais ces informations vivent dans des silos, et la bonne réponse se trouve souvent à cheval entre trois outils.
Le défi
- 01
Un moteur de recherche classique retrouve des mots, pas des liens de cause à effet.
- 02
Un assistant RAG standard répond bien à une question simple, mal à une question qui demande de relier plusieurs documents.
- 03
Les experts partent à la retraite et emportent le contexte des décisions passées.
- 04
Les données doivent rester sur l’infrastructure de l’entreprise.
Notre approche
Un LLM lit les documents et en extrait les entités (machines, pièces, incidents, procédures, décisions) et leurs relations, stockées dans un graphe Neo4j. À chaque question, une recherche hybride combine le graphe, pour suivre les liens, et la recherche vectorielle, pour le sens. Le modèle rédige ensuite une réponse qui explique le lien entre les informations et cite chaque source.
La solution, étape par étape
- 01
Connexion aux sources
Jira, Confluence et Teams sont synchronisés chaque nuit, en respectant les droits d’accès de chacun.
- 02
Extraction des entités
Le modèle repère machines, pièces, incidents et procédures, et la façon dont ils sont liés.
- 03
Un graphe de connaissances
Tout est relié dans Neo4j : l’incident pointe vers la machine, la procédure et la décision prise.
- 04
Recherche hybride
La question suit les liens du graphe et la proximité de sens pour retrouver la chaîne complète d’informations.
- 05
Réponse reliée et sourcée
L’assistant explique le lien entre les informations et cite chaque ticket, page ou conversation.
Résultats
- −70 %de temps de recherche pour les équipes méthodes
- 2 semainesgagnées sur l’intégration d’un nouvel ingénieur
- 12 000documents reliés dans le graphe
- 0donnée sortie de l’infrastructure
Ce que nous livrons
- Connecteurs Jira, Confluence et Teams
- Pipeline d’extraction d’entités et de relations
- Graphe Neo4j et index vectoriel
- API FastAPI et interface de questions-réponses
- Tableau de bord de qualité des réponses
Technologies
- Neo4j
- LlamaIndex
- Python
- Embeddings Hugging Face
- FastAPI
- Docker
Délai
10 à 14 semaines
Équipe
2 ingénieurs IA, 1 ingénieur data
Cas illustratifs : clients et chiffres fictifs, représentatifs des solutions que nous livrons.