Contexte du projet
En tant que l’une des principales compagnies d’assurance en Chine, Pacific Insurance dispose de plus de 30 000 documents métier, notamment des clauses d’assurance, des règles de sinistre et des informations produits. Les gestionnaires de sinistres, les conseillers commerciaux et les nouveaux employés doivent consulter ces documents quotidiennement. La recherche traditionnelle par mots-clés peine à localiser précisément l’information ; les employés mettent en moyenne 15 minutes pour trouver ce dont ils ont besoin, avec une précision inférieure à 40 %.
Défis majeurs
Solution
Déploiement d’une architecture RAG privée
Un système RAG (Retrieval-Augmented Generation) basé sur Qwen2.5-72B a été déployé dans l’environnement réseau interne. Les 30 000 documents ont été découpés en segments structurés et indexés vectoriellement pour construire un graphe de connaissances d’entreprise. Tous les traitements de données et inférences sont effectués en interne, garantissant que les données ne quittent pas le domaine, conformément aux exigences de conformité du secteur financier.
Assistance intelligente et recommandation de connaissances
Une interface en langage naturel a été mise en place, prenant en charge les dialogues multi-tours et la compréhension contextuelle. Le système fournit non seulement des réponses précises, mais aussi des citations des clauses originales et des recommandations de connaissances associées, aidant les utilisateurs à appréhender globalement les règles métier.
Mise à jour automatique de la base de connaissances
Le système est connecté au système de gestion de contenu de l’entreprise. Lorsqu’une clause ou une règle est modifiée, une indexation incrémentielle est automatiquement déclenchée pour que la base de connaissances reste synchronisée avec les dernières règles métier.
Résultats
| Indicateur | Avant | Après | Amélioration |
|---|---|---|---|
| Temps de recherche de connaissances | 15 minutes | 10 secondes | ↓99% |
| Précision des réponses | 40% | 92% | ↑130% |
| Cycle de formation des nouveaux employés | 3-6 mois | 1-2 mois | ↓67% |
| Délai de mise à jour des connaissances | 7 jours | Temps réel | ↓100% |
> Synthèse quantitative : le temps de recherche de connaissances a été réduit de 99 % à 10 secondes, la précision des réponses a augmenté de 130 % pour atteindre 92 %, le cycle de formation des nouveaux employés a été raccourci de 67 % à 1-2 mois, et le délai de mise à jour des connaissances est passé de 7 jours au temps réel.
Stack technique
Qwen2.5-72B, base de données vectorielle Milvus, LangChain, FastAPI, Vue.js, déploiement sur réseau interne Nginx
FAQ
Quel est le taux de rappel typique d’une base de connaissances RAG ?
Après optimisation de la stratégie de segmentation et du modèle vectoriel, le rappel d’un système RAG d’entreprise atteint généralement 85 à 95 %. Dans ce cas, la précision des réponses est passée de 40 % à 92 %, grâce à la qualité du découpage structuré et de l’indexation vectorielle des 30 000 documents.
Comment la base de connaissances d’une compagnie d’assurance répond-elle aux exigences de non-divulgation des données ?
Tous les traitements et inférences sont effectués dans l’environnement réseau interne, avec le modèle Qwen2.5-72B déployé en local ; aucune donnée ne sort de l’entreprise. Le système satisfait aux exigences de conformité du secteur financier et a passé avec succès les audits de sécurité internes.
Le coût de maintenance de la base de connaissances RAG est-il élevé ?
Non. La base de connaissances est connectée au système de gestion de contenu de l’entreprise ; les mises à jour sont déclenchées automatiquement lors des modifications de clauses ou de règles, sans intervention manuelle. La maintenance quotidienne se limite à un ajustement mineur du modèle et à la résolution d’anomalies, une seul personne chargée de l’exploitation suffit.
