FinanceIARAGBase de connaissancesChine

Système de questions-réponses intelligent de la base de connaissances privée de Pacific Insurance

Contexte du projet

Pacific Insurance, l'un des principaux assureurs nationaux, gère un volume considérable de documents métier (clauses, règles de gestion des sinistres, documentations produits) représentant plus de 30 000 références. Les gestionnaires de sinistres, les conseillers commerciaux et les nouveaux collaborateurs doivent consulter quotidiennement ces documents pour répondre aux questions des clients et effectuer leurs opérations. La recherche par mots-clés classique peine à identifier précisément l'information : les employés mettent en moyenne 15 minutes à trouver le contenu recherché, la formation des nouvelles recrues dure de 3 à 6 mois, ce qui pénalise lourdement l'efficacité opérationnelle et l'expérience client.

Points de douleur clés

Faible efficacité de la recherche documentaire : plus de 30 000 documents accessibles par mots-clés, temps de recherche moyen de 15 minutes, taux de pertinence inférieur à 40 %.

Cycle de formation long : les nouveaux employés nécessitent 3 à 6 mois avant de pouvoir traiter les dossiers de façon autonome, avec des coûts de formation élevés.

Mise à jour asynchrone des connaissances : les clauses et règles évoluent fréquemment, les collaborateurs accèdent difficilement aux dernières versions.

Exigences de sécurité et de conformité des données : les données d'assurance touchant à la vie privée des clients, l'utilisation de services d'IA en cloud public est prohibée.

Solution

Déploiement d'une architecture RAG privée

Mise en place d'un système RAG (Retrieval Augmented Generation) basé sur Qwen2.5-72B dans l'environnement intranet. Les plus de 30 000 documents ont été structurés, segmentés et vectorisés pour construire un graphe de connaissances d'entreprise. L'ensemble du traitement et de l'inférence s'effectue en interne, ce qui respecte l'obligation de non-sortie des données propre au secteur financier.

Questions-réponses intelligentes et recommandation de connaissances

Interface conversationnelle en langage naturel, avec gestion de dialogues multi-tours et compréhension du contexte. Le système ne se contente pas de fournir une réponse précise, il renvoie également les extraits originaux des clauses et des recommandations de connaissances connexes, pour une compréhension globale des règles métier. Le temps moyen de recherche est passé de 15 minutes à 10 secondes.

Mise à jour automatique de la base de connaissances

Intégration au système de gestion de contenu de l'entreprise : lorsqu'une clause ou une règle est modifiée, une indexation incrémentale est automatiquement déclenchée, garantissant que la base de connaissances est toujours synchronisée avec les dernières règles métier et éliminant tout risque d'obsolescence de l'information.

Données d'impact

Indicateur	Avant transformation	Après transformation	Amélioration
Temps de recherche documentaire	15 min	10 s	99 %
Taux de précision des réponses	40 %	92 %	130 %
Durée de formation des nouveaux employés	3 à 6 mois	1 à 2 mois	67 %
Délai de mise à jour des connaissances	7 jours	Temps réel	100 %

Stack technique

Qwen2.5-72B, base de données vectorielle Milvus, LangChain, FastAPI, Vue.js, déploiement intranet Nginx

“Après le lancement de la base de connaissances, la productivité de l'équipe de sinistres a doublé. Le plus important est que toutes les données restent sur l'intranet, répondant pleinement aux exigences de conformité.”