De la brochure au dialogue : comment l'IA apprend votre musée en cinq minutes

01Le problème que le RAG résout

Les intelligences artificielles conversationnelles, aussi performantes soient-elles, ne connaissent pas votre musée. Elles savent des choses générales sur le Louvre ou le MoMA parce que ces informations sont abondantes sur Internet. Mais elles ne savent rien de votre politique tarifaire, de vos horaires spéciaux pendant les vacances scolaires, de la composition exacte de votre exposition temporaire ou des modalités de réservation pour les groupes scolaires. Ces informations sont propres à votre institution. Elles figurent dans vos brochures, vos catalogues, vos documents internes.

Le RAG résout ce problème en donnant à l'IA un accès direct à vos documents. Au lieu de deviner ou d'inventer une réponse, l'agent cherche d'abord dans votre base de connaissances, trouve les passages pertinents, puis formule une réponse fondée sur des informations vérifiables. C'est la différence entre un agent qui improvise et un agent qui sait.

02Le processus en quatre étapes

La première étape est le téléchargement. Vous accédez au tableau de bord AI ARTEDUSA, sans aucune compétence technique requise, et vous téléchargez vos documents. Les formats acceptés sont PDF, Word et texte. La taille maximale est de dix mégaoctets par fichier. Vous pouvez télécharger votre brochure institutionnelle, votre catalogue d'exposition, votre grille tarifaire, votre foire aux questions interne, vos informations pratiques.

La deuxième étape est le découpage. Le système ne traite pas le document comme un bloc monolithique. Il le découpe en segments intelligents de quatre cents tokens chacun, avec un chevauchement de cinquante tokens entre segments consécutifs. Ce chevauchement garantit qu'aucune information n'est perdue à la frontière entre deux segments. Si une phrase commence dans un segment et se termine dans le suivant, elle apparaît dans les deux. Le système effectue également une déduplication automatique pour éviter les doublons.

La troisième étape est la vectorisation. Chaque segment est transformé en un vecteur mathématique de sept cent soixante-huit dimensions grâce à notre moteur de vectorisation. Ce vecteur capture le sens du texte, pas simplement les mots. Le segment "ouvert du mardi au dimanche" et la question "quels jours êtes-vous fermés ?" produisent des vecteurs proches, même si les mots sont différents, parce que le sens est lié. Ces vecteurs sont stockés dans une base vectorielle dédiée à votre institution, complètement isolée de celles des autres institutions grâce à l'architecture multi-tenant.

La quatrième étape est la recherche. Lorsqu'un visiteur pose une question au téléphone, l'agent transforme cette question en vecteur et cherche les cinq segments les plus pertinents dans votre base. Le score minimum de pertinence est fixé à 0,8 sur 1,0. Si un segment n'atteint pas ce seuil, il n'est pas retenu. L'agent ne répond qu'avec des informations suffisamment fiables.

03Ce que cela donne en pratique

Prenons quatre exemples concrets tirés de cas d'usage réels. Un musée télécharge sa brochure au format PDF. Un visiteur appelle et demande les horaires d'ouverture. L'agent cherche dans les segments, trouve le passage pertinent et répond : "Nous sommes ouverts du mardi au dimanche, de 10h à 18h. Nocturne le jeudi jusqu'à 21h."

Le même musée télécharge le catalogue de son exposition temporaire. Un visiteur demande des informations sur l'exposition Monet. L'agent cherche dans les segments du catalogue et répond : "L'exposition Monet et la lumière présente 47 oeuvres" en ajoutant les détails trouvés dans le document.

Un troisième document, une FAQ interne au format Word, est téléchargé. Un visiteur demande s'il y a un parking. L'agent trouve le segment correspondant et répond : "Oui, un parking souterrain de 200 places est accessible au 12 rue..." avec l'adresse exacte figurant dans le document.

Une grille tarifaire au format texte est téléchargée. Un visiteur demande le tarif pour un groupe scolaire. L'agent trouve le segment et répond : "Le tarif scolaire est de 5 euros par élève, gratuit pour les accompagnateurs."

04L'injection contextuelle automatique

Le système va plus loin que la simple recherche à la demande. A chaque début d'appel, les trois documents les plus pertinents sont automatiquement injectés dans le contexte de l'IA. Cela signifie que l'agent "sait déjà" avant même que le visiteur pose sa première question. Il connaît les horaires du jour, les tarifs en vigueur, l'exposition en cours. Cette injection contextuelle réduit le temps de réponse et améliore la pertinence des premières réponses de la conversation.

05Pourquoi cinq minutes et pas cinq heures

Le temps de mise en route est une préoccupation légitime pour un directeur de musée. La réponse est que l'inscription prend deux minutes et que l'agent est opérationnel dans les cinq minutes suivant le téléchargement des documents. Il n'y a pas de formation à programmer, pas de scripts à écrire, pas de développeur à embaucher. Le tableau de bord est no-code : vous téléchargez, et c'est fait. La configuration avancée, qui inclut les horaires personnalisés, les intégrations avec un système de réservation externe via webhook, et les paramètres de tarification, peut prendre quelques heures. Mais l'agent répond correctement aux questions dès les premières minutes.

06La recherche sémantique contre la recherche par mots-clés

Ce qui distingue le système RAG d'AI ARTEDUSA d'un simple moteur de recherche, c'est la compréhension du sens. Un visiteur qui demande "à quelle heure vous fermez dimanche ?" ne trouvera pas de réponse dans un système par mots-clés si le document dit "ouvert du mardi au dimanche, de 10h à 18h". Le mot "fermez" n'apparaît pas dans le texte. Mais le système sémantique comprend que "à quelle heure vous fermez" et "ouvert jusqu'à 18h" sont liés. Il restitue le segment pertinent, et l'agent formule la réponse dans un langage naturel.

Cette capacité sémantique repose sur le modèle d'embedding notre moteur de vectorisation, qui transforme chaque texte en un vecteur de sept cent soixante-huit dimensions. La distance entre deux vecteurs mesure la proximité de sens entre deux textes. Plus la distance est faible, plus les textes sont proches en signification.

07La sécurité des données documentaires

Les documents téléchargés sont propres à chaque institution. L'architecture multi-tenant garantit une isolation complète au niveau de la base de données grâce à la isolation des données par institution de notre base de données sécurisée. Les collections vectorielles sont séparées par institution dans notre base vectorielle. Aucune institution ne peut accéder aux documents d'une autre. Les données sont hébergées dans l'Union européenne et le système est conforme au RGPD.

La déduplication par hash notre algorithme de vérification empêche le téléchargement accidentel du même document deux fois. Si vous téléchargez une version mise à jour de votre brochure, le système détecte les segments identiques et ne conserve que les nouveaux.

08Mettre à jour les connaissances de l'agent

Les informations d'un musée changent régulièrement. Une exposition temporaire se termine, une nouvelle commence. Les horaires varient selon les saisons. Les tarifs sont révisés. Pour mettre à jour les connaissances de l'agent, il suffit de télécharger le nouveau document. Le système traite les nouveaux segments, les vectorise et les rend disponibles pour la recherche. L'agent utilise automatiquement les informations les plus récentes.

Cette simplicité de mise à jour est un avantage décisif par rapport à un réceptionniste humain, qui doit être informé de chaque changement, retenir l'information et la restituer correctement. L'agent, lui, consulte toujours la source la plus récente.

AI ARTEDUSA a été conçu précisément pour répondre à ce besoin. Découvrez comment sur ai.artedusa.com.