Vue d'ensemble
OpsBot est un assistant IA opérationnel pour les procédures de maintenance, sécurité, conformité et exploitation quotidienne dans Google Chat. Le produit amène la connaissance gouvernée directement dans l’interface de chat déjà utilisée par les collaborateurs, avec des réponses sourcées et un fallback sécurisé quand les preuves sont faibles. Mon rôle : pilotage produit et delivery technique, du cadrage et de la gouvernance des sources jusqu’à l’architecture RAG, l’intégration Google Chat, les traces d’évaluation, l’observabilité runtime et le déploiement.Impact métier
| Indicateur | Valeur |
|---|---|
| Population cible | 3 972+ collaborateurs sur des rôles magasin et support |
| Demande de connaissance | ~12 000 vues mensuelles sur la base documentaire exploitation |
| Objectif de résolution instantanée | 85% des questions de premier niveau traitées immédiatement |
| Temps réalloué | 14 500+ heures/an entre magasins et support régional |
| Hypothèse ROI | ~540 k€ de productivité réallouée |
Design produit
Ce que l'assistant traite
- Procédures de maintenance et dépannage
- Process sécurité, checklists et gestion de crise
- Questions de conformité et standards opérationnels
- Questions FAQ issues du corpus approuvé
Ce qui le rend utile sur le terrain
- Expérience Google Chat-first au lieu d'un outil séparé de plus
- Retrieval fondé sur les sources pour éviter les réponses inventées
- Fallback sûr quand la preuve est insuffisante
- Guardrails pour les sujets interdits ou hors périmètre
- Sync incrémentale pour garder un corpus frais quand les documents évoluent
Architecture technique
Le runtime reprend la discipline opérationnelle de DAISI, mais simplifie le produit autour d'un flux RAG mono-assistant plutôt qu'un setup multi-agents plus large.Runtime principal
- FastAPI pour le runtime webhook
- Cloud Run pour la couche de service
- Google Chat comme canal utilisateur
- Gemini pour la génération de réponse
- Vertex AI RAG Engine pour le retrieval fondé
- Cloud SQL PostgreSQL pour la mémoire conversationnelle et l'état checkpointé
Couche sources
- Google Docs
- Google Sheets
- Exports Google Drive
- PDFs
- Pages web approuvées
Opérations plateforme
- Terraform pour la livraison infra
- Cloud Run Jobs + Scheduler pour les workloads de fond
- MLflow pour les traces, évaluations et analyses feedback
- Source registry structuré pour définir ce qui entre dans le corpus et comment la sync fonctionne
Schéma d'architecture
Architecture système
Cette vue sépare les responsabilités : Google Chat pour le canal utilisateur, Cloud Run et FastAPI pour le runtime webhook, les policy checks et le fallback sécurisé pour le contrôle de réponse, Gemini et Vertex AI RAG Engine pour les réponses fondées, les sources gouvernées pour le corpus, puis Cloud SQL / MLflow / jobs planifiés pour l'exploitation.Stack
| Catégorie | Technologies |
|---|---|
| LLM / RAG | Gemini, Vertex AI RAG Engine |
| Backend | Python 3.11, FastAPI, Pydantic |
| Mémoire | Cloud SQL PostgreSQL |
| Cloud | GCP, Cloud Run, Cloud Run Jobs, Cloud Scheduler, GCS |
| Sources de connaissance | Google Docs, Google Sheets, Google Drive, PDFs, pages web approuvées |
| Observabilité | MLflow, traces structurées, évaluation du feedback |
| Infrastructure | Terraform, Docker |
| Qualité | Pytest, Ruff, Mypy, CI automation |
Scope de delivery
Focus lot 1
- Workflows maintenance
- Procédures sécurité
- Contenus conformité et réglementation opérationnelle
Contraintes fortes qui ont structuré le MVP
- Garder l'assistant simple et gouverné en V1
- Préférer l'ingestion directe depuis Google Workspace aux intégrations live inutiles
- Exclure du corpus les documents trop sensibles au lieu de surconstruire la logique de permissions trop tôt
- Traiter la chaîne documentaire comme un vrai sujet produit : qualité du parsing, OCR, métadonnées, chunking et sync comptent autant que la couche prompt