DAISI - AI Assistant for Supplier Processes

DAISI (Decathlon AI Suppliers Information) is a production-level enterprise GenAI chatbot deployed on Google Chat, enabling Decathlon Finance collaborators to ask questions about supplier processes. Built with a modern LangGraph agent architecture, the system leverages RAG (Retrieval-Augmented Generation) with Vertex AI Vector Search for accurate, grounded responses. The application is currently running in production, serving real users at Decathlon with automated infrastructure management via Terraform and comprehensive observability through MLflow and OpenTelemetry.

DAISI (Decathlon AI Suppliers Information) est un chatbot GenAI d'entreprise en production déployé sur Google Chat, permettant aux collaborateurs Finance de Decathlon de poser des questions sur les processus fournisseurs. Construit avec une architecture agent moderne basée sur LangGraph, le système exploite le RAG (Retrieval-Augmented Generation) avec Vertex AI Vector Search pour des réponses précises et fondées. L'application est actuellement en production, au service d'utilisateurs réels chez Decathlon, avec une gestion automatisée de l'infrastructure via Terraform et une observabilité complète grâce à MLflow et OpenTelemetry.

Metric	Value
Time Saved	13,000 hours/year for the suppliers team
Availability	24/7 instant answers vs. waiting for human response
Coverage	Trained on internal procedures and accounting guides
Escalation	Automatic redirection to accountants when needed

The chatbot eliminates repetitive questions about supplier processes, freeing up the finance team to focus on high-value tasks while ensuring consistent, accurate answers aligned with internal procedures.

Indicateur	Valeur
Temps économisé	13 000 heures/an pour l'équipe fournisseurs
Disponibilité	Réponses instantanées 24/7 vs. attente d'une réponse humaine
Couverture	Entraîné sur les procédures internes et les guides comptables
Escalade	Redirection automatique vers les comptables si nécessaire

Le chatbot élimine les questions répétitives sur les processus fournisseurs, libérant l'équipe finance pour se concentrer sur des tâches à forte valeur ajoutée tout en garantissant des réponses cohérentes et précises, alignées sur les procédures internes.

AI/ML Stack

• LangGraph - Agent orchestration framework with stateful conversation flows
• LangChain - LLM application framework for chains and prompts
• Google Gemini via Vertex AI - Foundation model for text generation
• Vertex AI Vector Search - High-performance semantic search for RAG
• FAISS - Local vector similarity search
• Model Armor - GCP security templates for anti-prompt injection and content filtering

Backend Infrastructure

• FastAPI - High-performance async API framework
• Cloud Run - Serverless container deployment with autoscaling
• Cloud SQL PostgreSQL - Managed database for conversation persistence
• Google Cloud Storage - Object storage for knowledge base and configurations
• Uvicorn - ASGI server for FastAPI

Observability & MLOps

• MLflow 3.7+ - Experiment tracking with LangGraph autologging
• LiteLLM - Unified LLM API gateway
• OpenTelemetry - Distributed tracing with OTLP/gRPC export
• Cloud Logging - Centralized log aggregation

Scheduled Jobs (Cloud Run Jobs)

The application includes automated maintenance jobs orchestrated by Cloud Scheduler:

Job	Schedule	Purpose
TTL Cleanup	Daily 03:00	GDPR compliance - deletes checkpoints and MLflow traces older than 12 months
Trace Evaluation	Daily 04:00	LLM-as-Judge quality scoring with custom scorers (relevance, language consistency, conciseness)
Data Sync	On config update	Syncs knowledge base from Google Sheets to GCS

Infrastructure as Code

• Terraform - Complete GCP infrastructure management with modular design:
  • cloud-run - Main service deployment
  • cloud-run-job - Batch job definitions
  • cloud-scheduler - Scheduled triggers
  • iam - Service accounts and role bindings
  • model-armor - Security template configuration
  • vertex-ai-vector-search - Vector index management
  • storage - GCS bucket configuration

DevOps & CI/CD

• Docker - Containerized deployments
• GitHub Actions - Automated CI/CD pipelines
• SonarCloud - Code quality and security analysis
• Pre-commit hooks - Automated code checks
• Ruff - Python linting and formatting
• Mypy - Static type checking
• Pytest - Async test framework with coverage

Project Management

• Jira - Sprint planning and issue tracking
• Confluence - Technical documentation with auto-sync from /docs

Stack IA/ML

• LangGraph - Framework d'orchestration d'agents avec flux conversationnels à état
• LangChain - Framework applicatif LLM pour les chaînes et les prompts
• Google Gemini via Vertex AI - Modèle fondation pour la génération de texte
• Vertex AI Vector Search - Recherche sémantique haute performance pour le RAG
• FAISS - Recherche locale de similarité vectorielle
• Model Armor - Templates de sécurité GCP pour la protection anti-prompt injection et le filtrage de contenu

Infrastructure Backend

• FastAPI - Framework API asynchrone haute performance
• Cloud Run - Déploiement serverless de conteneurs avec autoscaling
• Cloud SQL PostgreSQL - Base de données managée pour la persistance des conversations
• Google Cloud Storage - Stockage objet pour la base de connaissances et les configurations
• Uvicorn - Serveur ASGI pour FastAPI

Observabilité & MLOps

• MLflow 3.7+ - Suivi d'expériences avec autologging LangGraph
• LiteLLM - Passerelle API LLM unifiée
• OpenTelemetry - Traçage distribué avec export OTLP/gRPC
• Cloud Logging - Agrégation centralisée des logs

Jobs Planifiés (Cloud Run Jobs)

L'application inclut des jobs de maintenance automatisés orchestrés par Cloud Scheduler :

Job	Planification	Objectif
TTL Cleanup	Quotidien 03:00	Conformité RGPD - supprime les checkpoints et traces MLflow de plus de 12 mois
Trace Evaluation	Quotidien 04:00	Scoring qualité LLM-as-Judge avec des scorers personnalisés (pertinence, cohérence linguistique, concision)
Data Sync	Sur mise à jour de config	Synchronise la base de connaissances depuis Google Sheets vers GCS

Infrastructure as Code

• Terraform - Gestion complète de l'infrastructure GCP avec conception modulaire :
  • cloud-run - Déploiement du service principal
  • cloud-run-job - Définitions des jobs batch
  • cloud-scheduler - Déclencheurs planifiés
  • iam - Comptes de service et liaisons de rôles
  • model-armor - Configuration des templates de sécurité
  • vertex-ai-vector-search - Gestion des index vectoriels
  • storage - Configuration des buckets GCS

DevOps & CI/CD

• Docker - Déploiements conteneurisés
• GitHub Actions - Pipelines CI/CD automatisés
• SonarCloud - Analyse de qualité de code et de sécurité
• Pre-commit hooks - Vérifications automatisées du code
• Ruff - Linting et formatage Python
• Mypy - Vérification statique de types
• Pytest - Framework de tests asynchrones avec couverture

Gestion de Projet

• Jira - Planification de sprints et suivi des tickets
• Confluence - Documentation technique avec synchronisation automatique depuis /docs

Intelligent Question Answering

RAG-powered responses grounded in operational and accounting practical guides ("fiches pratiques").

Contextual Disambiguation

Multi-turn conversations with follow-up questions to clarify ambiguous requests.

Conversation Memory

PostgreSQL-backed checkpointer for persistent conversation state with IAM authentication.

System Integrations

• IAM - User context (Cost Center, job title, department)
• Accountant Lookup - Automatic assignment to the right contact
• Invoice Status - Real-time invoice status queries
• Purchasing Info - Indirect purchasing information

Security & Compliance

• Model Armor templates for prompt injection protection
• Prohibited topics detection (salary, HR issues)
• GDPR-compliant data retention with automated TTL cleanup
• Access restricted to @decathlon.com domain

Réponses Intelligentes aux Questions

Réponses alimentées par le RAG, fondées sur les guides pratiques opérationnels et comptables (fiches pratiques).

Désambiguïsation Contextuelle

Conversations multi-tours avec questions de suivi pour clarifier les demandes ambiguës.

Mémoire Conversationnelle

Checkpointer adossé à PostgreSQL pour un état conversationnel persistant avec authentification IAM.

Intégrations Système

• IAM - Contexte utilisateur (Centre de Coûts, intitulé de poste, département)
• Recherche de comptable - Affectation automatique au bon interlocuteur
• Statut des factures - Requêtes en temps réel sur le statut des factures
• Informations Achats - Informations sur les achats indirects

Sécurité & Conformité

• Templates Model Armor pour la protection contre l'injection de prompts
• Détection des sujets interdits (salaire, problématiques RH)
• Rétention des données conforme au RGPD avec nettoyage TTL automatisé
• Accès restreint au domaine @decathlon.com