IT-RAG Assistant ⚡🤖

IT-RAG Assistant est un assistant intelligent interne capable de répondre aux questions des techniciens IT à partir d’un PDF de support IT (procédures, incidents, FAQ). Il utilise les dernières technologies d’IA pour fournir des réponses fiables et contextuelles, tout en étant industrialisé, versionné et monitoré.

---

🚀 Objectif du projet

IT-RAG Assistant vise à :

• Répondre rapidement aux questions récurrentes des techniciens IT
• Guider les interventions lors d’incidents ou procédures complexes
• Centraliser et standardiser les procédures IT à partir d’un PDF mis à jour
• Fournir un service fiable, évolutif et monitoré grâce à un pipeline RAG industrialisé

---

💡 Fonctionnalités

• Ingestion et préparation du PDF : extraction et découpage en chunks avec métadonnées
• Recherche sémantique : génération d’embeddings via HuggingFace + stockage dans ChromaDB
• Pipeline RAG : LangChain pour générer des réponses précises à partir du PDF
• Backend FastAPI + PostgreSQL : API sécurisée, gestion des utilisateurs et historique des questions
• Clustering non supervisé : regroupe les questions fréquentes pour analyse
• Suivi et versionnement MLflow : tracabilité et reproductibilité des modèles
• CI/CD & déploiement cloud-native : Docker + Kubernetes pour un service scalable et monitoré

---

🛠️ Technologies utilisées

Composant	Technologie
LLM / RAG	LangChain, Gemini / HuggingFace
Extraction PDF	PyPDFLoader
Vector DB	ChromaDB
Backend	FastAPI, PostgreSQL
Clustering	KMeans (ML non supervisé)
Monitoring & versioning	MLflow
CI/CD & Déploiement	GitHub Actions, Docker, Kubernetes

---

⚙️ Architecture

graph LR
A[PDF Support IT] --> B[Découpage en chunks]
B --> C[Embeddings HuggingFace]
C --> D[ChromaDB Vector Store]
D --> E[Retriever LangChain]
E --> F[LLM RAG]
F --> G[FastAPI Backend]
G --> H[Utilisateur IT]

Loading

📦 Installation

1. Cloner le projet :

git clone https://github.com/Assma-IBIKAS/IT-RAG-Assistant.git
cd IT-RAG-Assistant

2. Créer un environnement Python :

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

3. Installer les dépendances :

pip install -r requirements.txt

4. Configurer les variables d’environnement pour le LLM et PostgreSQL.

📊 Déploiement

• Docker + Kubernetes pour un déploiement scalable

• FastAPI pour exposer le backend

• MLflow pour le suivi et la version des modèles

• GitHub Actions pour automatiser CI/CD

🤝 Contribution

Contributions bienvenues !

• Fork le projet

• Créer une branche feature/ta-fonctionnalité

• Commit tes changements

• Pull request