AI Knowledge Platform
ContinuLivePlateforme IA modulaire — en ligne sur platform.bridging-data.com. La plateforme comprend Technology Radar, Competitor Intelligence, Regulatory Radar et AI Chat, entièrement serverless sur AWS. La Phase 6 intègre un prototype LLM d'entreprise avec authentification Cognito.
Technologies
Problème
Les organisations ont besoin d'un système IA rentable qui traite des formats de documents variés, récupère des réponses contextuelles avec attribution transparente des sources et s'adapte d'une démo publique à la gestion de connaissances privées — sans dépendance à un fournisseur LLM.
Approche
Architecture multicouche avec des couches séparées d'ingestion, traitement, stockage, récupération et LLM. PostgreSQL + pgvector (index HNSW) pour le stockage vectoriel, déduplication SHA-256 pour éviter les re-embeddings inutiles, providers LLM abstraits (OpenAI/Anthropic) pour l'indépendance fournisseur. Contrôles de coûts intégrés comme exigence de premier ordre.
Résultat
Phase 1 ✓ — Demo RAG publique en ligne sur bridging-data.com. Phase 2 ✓ — Pipeline Technology Radar (Lambda hebdomadaire, lun. 06:00 UTC). Phase 3 ✓ — Private Knowledge Hub (65+ documents indexés, local). Phase 4 ✓ — Pipeline Regulatory Radar (Lambda mensuel, 6 sources : NIST, OWASP, FINMA, EU AI Act, RGPD). Phase 5 ✓ — Pipeline Competitor Radar (Lambda hebdomadaire, 6 entreprises, 21 sources). Phase 5+ ✓ — Knowledge Platform UI (Agent Center, AI Chat, Skills Hub, Reports Dashboard — SPA Next.js). Phase 5+ ✓ — ReportIndexerAgent : les rapports de pipeline sont automatiquement indexés dans le vector store après chaque exécution. Métriques : 5 Lambda Functions déployées · 3 pipelines automatisés · 72+ documents dans le vector store · 114 signaux concurrents · 21 rapports générés.
Apprentissages
Les noms de packages Python ne doivent pas masquer les modules stdlib (platform → aiplatform) ; Alembic requiert des pilotes synchrones (psycopg2) tandis que FastAPI utilise async (asyncpg) — deux connection strings séparés résolvent cela ; l'index HNSW dans pgvector ne nécessite pas de phase d'entraînement ; les contrôles de coûts doivent être intégrés tôt dans l'infrastructure. asyncpg Warm-Container Reuse : await engine.dispose() doit s'exécuter dans le même event loop asyncio.run(). Docker ECR Layer Caching sous Windows : workaround par timestamp-tag nécessaire. Session Isolation dans les pipelines multi-phases : chaque phase ouvre sa propre session DB. Content-Hash Dedup évite les re-embeddings inutiles pour un output de pipeline identique sous une nouvelle clé S3.
Pertinence
Démontre une vision complète des pipelines de données (ingestion → prétraitement → stockage vectoriel → récupération → génération LLM), l'automatisation AWS serverless avec EventBridge et Lambda, la gestion des coûts et la capacité à concevoir et opérer une plateforme AI multicouche en production.