Dans les grandes organisations, le patrimoine de données est souvent aussi riche que complexe à appréhender. Pour un collaborateur, trouver la bonne information, comprendre la structure d'une table ou décoder un acronyme interne relève parfois du parcours du combattant.
C’est le défi qu’a choisi de relever le Mouvement E.Leclerc (GALEC) en partenariat avec SFEIR : rendre la donnée accessible à chaque collaborateur, directement en langage naturel, sans faire de compromis sur la gouvernance.
Le fruit de cette collaboration ? L’agent Big Data Catalog, un assistant intelligent développé sur-mesure. Baptiste Pirault, Data & AI Customer Engineer chez SFEIR, nous en présente les coulisses et le fonctionnement à travers une démonstration concrète.
Baptiste Pirault, Data & AI Customer Engineer chez SFEIR présente l’agent Big Data Catalog, un assistant intelligent développé sur-mesure
Le défi : allier la puissance des LLM à la rigueur de la gouvernance
Donner la possibilité d'interroger des bases de données en langage naturel à un agent d'IA (propulsé par Google Cloud, Gemini & Vertex AI) est une chose. S’assurer que les réponses fournies soient ultra-fiables et adoptées par les utilisateurs en est une autre.
Pour que l'IA soit adoptée au quotidien, elle doit reposer sur des fondations solides. C'est pourquoi le projet s'est structuré autour de trois piliers majeurs :
- Un Data Catalog ultra-performant pour garantir une gouvernance et une maîtrise totale de la donnée source.
- Une architecture évolutive (qui a connu 3 itérations majeures) pour optimiser les temps de réponse et l’efficience globale du système.
- Une architecture agentique basée sur Google ADK (Agent Development Kit), permettant d'atteindre une précision chirurgicale dans la compréhension des requêtes et la génération des réponses.
En pratique : que sait faire l'agent Big Data Catalog ?
Dans sa démonstration, Baptiste Pirault nous montre comment l'agent fluidifie le quotidien d'un utilisateur à travers quatre cas d'usage clés :
1. La recherche de datasets en langage naturel
Plus besoin de connaître SQL ou la nomenclature exacte des bases de données. L'utilisateur tape simplement sa requête comme s'il s'adressait à un collègue (ex : "Je cherche toutes les données sur les articles"). L'agent comprend l'intention et remonte instantanément les datasets pertinents.
2. L'exploration et la description des tables
Une fois le dataset identifié, l’agent extrait en un clin d’œil sa fiche d'identité : liste des tables associées, métadonnées et descriptions techniques associées. L’utilisateur dispose immédiatement du contexte nécessaire pour travailler.
3. Le décodage du jargon d'entreprise (Glossaire métier)
Chaque organisation possède sa propre culture et ses acronymes (comme le "Code ALEx" au sein du Mouvement E.Leclerc). L'agent est nativement connecté au glossaire métier de l'entreprise. Lorsqu'on l'interroge sur un terme spécifique, il en livre la définition exacte, évitant ainsi les erreurs d'interprétation.
4. La génération automatisée de diagrammes relationnels
Pour aller encore plus loin dans la contextualisation, l'agent est capable de générer à la volée un schéma ou un diagramme relationnel (visualisation des interactions entre les tables d'un article). Une fonctionnalité visuelle redoutable pour concevoir et comprendre l'architecture des données en un coup d'œil.
Big Data Catalog", une solution innovante développée en partenariat avec le Mouvement E.Leclerc
La tech et l'humain, main dans la main
Au-delà de la prouesse technologique sur la stack Google Cloud, la véritable réussite de ce projet réside dans l'autonomie qu'il confère désormais aux équipes de E.Leclerc. En abaissant la barrière technique d'accès à la donnée, SFEIR et le GALEC démontrent que l'IA générative, lorsqu'elle est solidement gouvernée, devient le meilleur allié des équipes métiers.
Vous souhaitez vous aussi transformer votre patrimoine data en un actif fiable et exploitable par tous vos collaborateurs ? Nos Sfeirians adorent concevoir des architectures d'IA générative robustes et adaptées à vos enjeux de production.
