Parmi les cas d’usage présentés par Alstom lors du salon Big Data & AI 2024, le 16 octobre dernier, figure un outil d’IA générative dédié à la rédaction des réponses aux RFQ (Request For Quote). Ces réponses aux RFQ représentent un gros travail chez Alstom et de copieux dossiers à rédiger pour espérer décrocher des contrats significatifs.

Un très fort retour sur investissement pour l’IA générative appliquée aux RFQs

Un RFQ est une demande de devis d’une entreprise cliente auprès de prestataires sélectionnés pour réaliser certains projets. Un RFQ peut être envoyé seul ou avant une demande de proposition. « L’IA présente un très fort retour sur investissement en parsant ces RFQ afin d’en extraire la liste des exigences du client (requirements) » explique Robert Vesoul, CEO et cofondateur d’Illuin Technology, partenaire de Alstom pour l’IA générative. Le parsing est le fait de récupérer les informations clés présentes dans ces textes.

L’objectif est de parser les RFQs pour en extraire les listes de « requirements » et pouvoir les rediriger vers les équipes compétentes. Les templates et les formats de documents sont variés et longs avec plus de 200 pages. La solution est un parsing multimodal page par page réalisé avec GPT4 Visions, puis agrégation et sortie sous la forme d’un fichier Excel pour les métiers.

L’IA générative apporte une aide significative. « Cela permet de structurer la réponse et de fournir les documents le plus rapidement possible » poursuit-il. « Il s’agissait de l’un des PoC [Preuve de concept ou Proof of Concept] identifié très tôt par Alstom et sur lequel nous avons pu obtenir des résultats très rapides et convaincants. C’est une aide sur un sujet qui représente énormément de jours/hommes à l’échelle d’Alstom » souligne-t-il.

Gain de temps pour tous

 Les équipes métier d’Alstom se sont appropriées très rapidement l’outil, car il permet de réduire les tâches à faible valeur ajoutée liées à l’analyse de documents très longs et souvent très complexes. « Un biais que l’on aura dans le futur sur ce cas d’usage est que ces documents seront générés par des IA d’un côté et analysés par des IA de l’autre » sourit le responsable. « Même si ce paradigme s’impose dans les processus de RFQ et RFP [Request for Proposal], cela fera gagner beaucoup de temps à tous et en qualité de traitement de l’information  » estime-t-il.

Henri Badaro, Vice President Data & AI Governance chez Alstom évoque un second cas d’usage lié à l’ingénierie. Alstom exploite les technologies d’Illuin Technologies pour l’extraction et le traitement d’informations des documents d’ingénierie. L’objectif est de rechercher des informations précises en s’appuyant sur une IA générative de type RAG.

Ces documents sont relatifs aux normes, à la conception des trains, ce qui inclut des documents anciens qui ne sont initialement pas informatisés. Il peut y avoir des documents tapés à la machine, des documents contenant différents types de médias, avec des diagrammes, des logigrammes.

Comprendre des diagrammes

« Le challenge ici est de donner du sens à ces documents pour certains abstraits » explique le responsable d’Alstom. « Les diagrammes peuvent être simples à comprendre pour un être humain, parfois interprétables individuellement par un modèle, mais pas nécessairement dans leur globalité » indique-t-il.

«  Nous avons utilisé la brique d’ingestion documentaire d’Illuin pour donner du sens à ces documents et renseigner une base vectorielle pour traiter l’ensemble de ces formats » explique-t-il. Si les performances ont été jugées bonnes, mais avec les technologies LLM de 2023, les équipes n’ont pas retenu le cas d’usage. Néanmoins, les résultats ont été jugés suffisamment convaincants pour que le projet se poursuive. « En attendant 6 mois de plus, avec les progrès réalisés par les LLM, on peut faire de plus en plus de choses et donner du sens à ces images. Ce PoC reste un succès » estime Henri Badaro.