Applications d'IA contribuant aux activités législatives du Sénat fédéral du Brésil par le biais de la RAG (APPoIAr)

ID de scénario d'utilisation : 072 

Auteur : Sénat fédéral du Brésil

Date : 17 octobre 2024 

Objectif :  

Proposer des applications basées sur l'intelligence artificielle (IA) s'appuyant sur la technique de la génération augmentée de récupération (RAG) en vue de contribuer aux travaux internes du Sénat fédéral du Brésil. Ces applications comprennent différents domaines et ensembles de données, tels que les normes fédérales, les rappels au Règlement et la réglementation interne. En interagissant en langage naturel avec l'application, les utilisateurs peuvent interroger les bases de données législatives à l'aide de modèles d'IA générative, tels que GPT-4 d'OpenAI, et obtenir ainsi des réponses également en langage naturel. 

Acteurs : 

• Collaborateurs de différents domaines, par exemple ceux du processus législatif, du conseil législatif et du conseil budgétaire.

Prérequis : 

• Accès à un modèle de représentation vectorielle, par exemple text-embedding-3-large d'OpenAI, pour créer des représentations des documents législatifs et des invites soumises par les utilisateurs. Actuellement, les applications appellent un modèle via l'API d'OpenAI.
• Représentations vectorielles de documents précédemment stockées dans les bases de données législatives, telles que celles concernant les normes fédérales et les rappels au Règlement.
• Accès à un modèle d'IA générative, par exemple GPT-4 d'OpenAI, pour générer une réponse à partir de l'invite de l'utilisateur. Actuellement, les applications appellent un modèle via l'API d'OpenAI.

Scénario :

1. Un utilisateur accède à la page web APPoIAr, qui donne accès à toutes les applications RAG du Sénat.
2. L'utilisateur choisit une application RAG en fonction de son domaine d'intérêt (par exemple, les normes fédérales) et il est redirigé en conséquence.
3. L'utilisateur soumet une invite en langage naturel. Dans le domaine des normes fédérales, l'utilisateur peut par exemple soumettre une question sur les droits de l'homme, telle que "Quels sont les droits d'un prisonnier ?".
4. Le système crée une représentation vectorielle de la question (invite).
5. Le système effectue une recherche sémantique dans les représentations vectorielles des normes fédérales, par exemple la Constitution de la République fédérative du Brésil.
6. Le système récupère les documents pertinents et des extraits de ceux-ci (par exemple, des sections, des articles et des paragraphes de normes fédérales). 
7. L'utilisateur sélectionne les informations qu'il considère comme les plus intéressantes dans le contexte de la question.
8. Si nécessaire, l'utilisateur donne des consignes complémentaires pour obtenir la réponse finale du modèle.
9. L'utilisateur soumet les consignes, ainsi que les informations sélectionnées par la recherche sémantique, au modèle d'IA générative.
10. Le système génère une réponse améliorée en langage naturel correspondant à la question et aux consignes de l'utilisateur.

Autres flux : 

• Il n'y a pas d'autre procédure lors de l'utilisation des applications RAG.

Résultats attendus : 

• recherche efficace d'informations législatives en langage naturel,
• interaction efficace et aisée avec le système d'IA,
• résultats de haute qualité et à jour, exploitant les capacités des modèles d'IA générative combinés au mécanisme RAG.

Problèmes potentiels : 

• Créer une infrastructure robuste de base de données des représentations vectorielles.
• Mettre à jour périodiquement les bases de données des représentations vectorielles avec des données nouvelles et modifiées.  
• Gérer l'utilisation des applications RAG, notamment en termes de consommation de jetons (pour des questions de tarification lors de l'utilisation de l'API).
• La limitation du nombre de jetons (demande et réponse) peut entraîner des réponses incomplètes.
• L'exécution d'applications RAG avec des modèles de paiement à l'utilisation oblige à prendre des décisions importantes sur les stratégies de découpage des données, car la consommation de jetons peut être élevée lorsque des documents complets sont transmis à des modèles d'IA générative. 

Exigences relatives aux données : 

• Représentation vectorielle de documents provenant de plusieurs bases de données législatives. 

Intégrations avec d'autres systèmes : 

• Actuellement, aucune intégration n'est nécessaire, car les applications RAG sont totalement indépendantes des autres systèmes.

Indicateurs de réussite : 

• qualité des documents récupérés par la tâche de recherche sémantique,
• qualité des réponses finales renvoyées par le modèle d'IA,
• utilisation efficace des réponses renvoyées par l'IA dans les activités quotidiennes.