Description

HR Manual Chatbot est un chatbot est conçu pour servir d’assistant RH. Il est basé sur un manuel de gestion des ressources humaines, rédigé par la CHS Alliance et Radhika Bhagat de Manifest (UK) Ltd.

Cette application est spécialement conçue pour répondre aux questions des utilisateurs en se basant sur le contenu du fichier ‘HR Manual.pdf’. Les utilisateurs ont le choix entre deux modèles OpenAI et Claude d’Anthropic, qui fournissent les éléments de réponse à leurs questions.

Technologies Utilisées

Langage de programmation : Python

Streamlit : Pour l’interface utilisateur, nous avons opté pour Streamlit, qui permet de créer des applications web interactives de manière rapide et avec peu de code.

LangChain : un framework qui permet de construire des applications d’intelligence artificielle (IA) conversationnelles en utilisant des modèles de traitement du langage naturel. Elle offre des outils pour intégrer diverses capacités comme la compréhension du texte, la génération de réponses, et l’interaction avec des bases de données ou des services externes. Cela peut être utilisé pour créer des chatbots, des assistants numériques, ou d’autres types d’interfaces utilisateur basées sur le langage. Ce framework permet de réaliser des techniques avancés facilement comme le RAG , Retrieval-Augmented Generation.

Modèles de traitement de langage : OpenAI & Anthropic Claude

comment ça marche ?

Nous avons utilisé la technique RAG , qui signifie « Retrieval-Augmented Generation, » est une technique dans le domaine de l’IA qui combine la recherche d’informations et la génération de texte. Le modèle RAG fonctionne en recherchant d’abord des passages pertinents à partir d’une base de données de documents en réponse à une requête. Ensuite, il utilise ces passages pour générer une réponse textuelle en se basant sur l’information récupérée. Cette approche est particulièrement utile pour générer des réponses informatives et précises, en s’appuyant sur des sources de données existantes pour améliorer la qualité et la pertinence des réponses produites par le modèle. Cela se fait en deux étapes :

Indexation

• Chargement : D’abord, nous devons charger nos données. Cela se fait avec des DocumentLoaders.
• Division : Les Text splitters divisent les grands Documents en morceaux plus petits. Cela est utile à la fois pour l’indexation des données et pour les envoyer dans un modèle, car les gros morceaux sont plus difficiles à rechercher et ne rentrent pas dans la fenêtre de contexte finie d’un modèle.
• Indexation ou embedding : transforme des mots, des phrases ou même des documents entiers en vecteurs de nombres. Chaque vecteur capte une partie du sens du mot ou du texte qu’il représente, permettant ainsi de réaliser des calculs et des comparaisons entre eux.
• Stockage : Nous avons besoin d’un endroit pour stocker et indexer nos divisions, afin qu’elles puissent être recherchées plus tard. Cela se fait souvent à l’aide d’un VectorStore.

Récupération et génération

• Récupération : Étant donné une entrée utilisateur, les divisions pertinentes sont récupérées du stockage à l’aide d’un Retriever.
• Génération : Un ChatModel / LLM produit une réponse en utilisant une invite qui inclut la question et les données récupérées.

Résumé utilisation de RAG avec LangChain pour HR Manual Chatbot:

• Extraction de l’Information : Pour assurer que le chatbot réponde avec précision, nous utilisons RAG pour identifier les sections pertinentes du manuel PDF en fonction des questions posées. Le système cherche des mots-clés et contextes pertinents dans le manuel pour extraire les informations les plus utiles.
• Génération de Réponses : ****Une fois les informations pertinentes récupérées, LangChain aide à organiser ces données comme contexte pour les modèles de langue qui génèrent ensuite des réponses claires et précises. Ce processus assure que les réponses sont non seulement pertinentes mais aussi formulées de manière compréhensible
• Lorsqu’un utilisateur pose une question via l’interface Streamlit, le chatbot utilise d’abord RAG par Lanchain pour rechercher et récupérer les informations pertinentes du fichier PDF. Ensuite, LangChain coordonne la génération de texte, en utilisant les données extraites comme contexte pour les modèles d’OpenAI ou Claude, qui produisent la réponse finale affichée à l’utilisateur.
• Les modèles OpenAI et Claude offrent des capacités de compréhension et de génération de texte de pointe.

Ces images représentent l’interface conçue pour interagir avec un chatbot de manuel des ressources humaines dont le processus d’utilisation se déroule en plusieurs étapes :

1-Sélection du modèle d’intelligence artificielle : À l’ouverture de l’interface, vous avez le choix entre deux modèles d’IA différents. Vous pouvez choisir entre OpenAI et Anthropic Claude en cliquant sur le cercle à côté du nom de chaque modèle.

2-Saisie de la clé API : Une fois que vous avez sélectionné le modèle d’IA, vous devez fournir la clé API correspondante. Pour OpenAI ,entrez la clé dans le champ de texte dédié « Enter OpenAI API Key » ou dans le cas de Anthropic Claude, « Enter Anthropic API Key » et « Enter Voyage API Key » en effet Anthropic Claude utilise le model d’embedding de VoyageAI. Cette clé est nécessaire pour authentifier et autoriser l’accès au service d’IA et permettre ainsi au chatbot de fonctionner correctement.

3–Poser une question : Sous la section de la clé API, il y a un champ de texte où vous pouvez taper la question que vous souhaitez poser au chatbot. Cette question peut concerner des sujets liés au manuel des ressources humaines, comme les politiques d’entreprise, les procédures, les avantages des employés, etc. 4-Obtenir une réponse : Après avoir entré votre question, cliquez sur le bouton « Submit Question ». La question est alors traitée par le modèle d’IA sélectionné, qui recherche dans sa base de données les informations pertinentes pour fournir une réponse

Ce dont vous aurez besoin

Recap

Le HR Manual Chatbot est une application basée sur un manuel RH, utilisant les technologies AI pour fournir des réponses à partir d’un fichier PDF. Il intègre les modèles de langue d’OpenAI et Claude d’Anthropic, et utilise le framework LangChain pour une génération de texte améliorée via la technique RAG (Retrieval-Augmented Generation). Cette technique combine la recherche d’information et la génération de texte pour fournir des réponses précises et contextuelles. L’interface utilisateur est développée avec Streamlit, permettant une interaction simple et efficace pour les utilisateurs qui posent des questions relatives aux ressources humaines.

RAG_OpenAI.py

RAG_Claude.py