Un développeur passionné de Magic: The Gathering a créé une application mobile utilisant un modèle RAG (Retrieval-Augmented Generation) pour répondre aux questions sur les règles et interactions de cartes, évitant ainsi les hallucinations des LLM classiques. L’objectif était de fournir des réponses précises et sourcées, basées sur les dernières règles officielles et une base de données exhaustive des cartes, récupérées via l’API de Scryfall.

Le système repose sur un pipeline d’ingestion qui découpe les règles en sections cohérentes (chunks) et les stocke dans une base PostgreSQL avec l’extension pgvector pour des recherches vectorielles efficaces. Contrairement à une approche classique où tout le contexte serait envoyé à chaque requête, le RAG permet de ne récupérer que les informations pertinentes, améliorant ainsi la précision et la performance.

Le code, encore en développement, est disponible sur GitHub. Cette initiative illustre l’utilité du RAG pour des applications spécialisées, où la fiabilité des données est cruciale, tout en offrant une opportunité d’apprentissage technique.

Jérémy Buget partage son retour d’expérience sur la création d’un chatbot IA spécialisé dans l’inclusion socio-professionnelle, en s’appuyant sur un corpus de documents issus de La communauté de l’inclusion. Le projet utilise une architecture locale avec Ollama (modèle gpt-oss:20b), un script de crawling en Node.js pour récupérer les fiches d’information, une base PostgreSQL avec l’extension pgvector pour stocker et indexer les embeddings (768 dimensions) générés via Sentence Transformers (nomic-embed-text-v2-moe). Le chatbot fonctionne en vectorisant les questions utilisateurs, en recherchant les documents pertinents par comparaison vectorielle (similarité cosinus), puis en générant des réponses sourcées via un LLM, le tout encapsulé dans une API FastAPI et une webapp simple. L’objectif était d’explorer l’exploitation de l’IA pour un usage métier précis, en garantissant des réponses fiables et ancrées dans le corpus documentaires. Le code source est disponible sur GitHub. Une démonstration concrète de RAG (Retrieval-Augmented Generation) avec des outils open-source.