Partie Intelligence Artificielle

1. Intégration d’un Agent IA – Chatbot Intelligent

Dans cette partie, nous avons intégré un agent IA conversationnel (chatbot) dont l’objectif est de répondre de manière méthodique, structurée et intelligente aux différentes questions des utilisateurs de la plateforme.

Ce chatbot est capable de :

Résumer les cours de l’utilisateur
Répondre à des questions d’ordre général
Répondre à des questions spécifiques liées aux contenus pédagogiques
Fournir des explications détaillées et contextualisées

L’agent est conçu pour gérer des questions multiples et variées, tout en maintenant une cohérence dans les réponses.

Technologies utilisées

Plateforme principale : Botpress

L’agent a été développé à l’aide de la plateforme Botpress, qui offre :

Une architecture modulaire avancée
Une gestion intelligente des flux conversationnels
Une intégration simplifiée des modèles de langage (LLM)
Une approche Low-Code / No-Code puissante

Grâce à ces capacités, nous avons pu concevoir un chatbot performant sans complexité excessive au niveau du développement.

Consommation de modèles LLM

Le fonctionnement intelligent du chatbot repose sur l’utilisation de modèles de langage avancés (LLM) provenant de grands acteurs du domaine tels que :

OpenAI
Autres fournisseurs de modèles LLM

Ces modèles permettent :

La compréhension du langage naturel
La génération de réponses pertinentes
Le raisonnement contextuel
L’adaptation aux différentes intentions utilisateur

Lien vers le Chatbot

Vous pouvez tester directement notre agent IA via le lien suivant :

Lancer le chatbot IA

Architecture du Bot

Nous aurions souhaité partager ici l’architecture interne détaillée de notre chatbot (flows, gestion des intents, orchestration LLM, etc.).

Cependant, pour des raisons techniques, cela n’est pas possible dans cette documentation.

À la fin de cette documentation, un lien vers une vidéo YouTube de démonstration sera fourni, où l’architecture complète du bot est expliquée.

Agents IA et LLM pour le Système de RAG

<

Agents IA et LLM pour le Système de RAG

Système Multi-Agents Intelligent

Contrairement au chatbot conversationnel présenté précédemment, le système de RAG n’a pas été mis en place pour le bot.

Il a été conçu pour un autre système plus avancé, basé sur une architecture multi-agents intelligente.

Ce système est composé de plusieurs agents IA spécialisés, capables de collaborer entre eux afin d’assurer une supervision pédagogique complète.

Rôle des Agents IA

Les agents sont capables de :

Superviser le déroulement d’un cours
Générer automatiquement des quiz
Corriger les quiz et fournir les résultats
Donner des conseils personnalisés
Analyser le profil d’un utilisateur (par exemple un élève)
Évaluer son niveau académique
Lui attribuer un score selon ses performances
Configurer dynamiquement la difficulté du quiz
Générer un quiz adapté à son profil

Fonctionnement Intelligent

Le système fonctionne selon une logique adaptative :

Analyse du profil de l’élève
Évaluation de son niveau à partir de ses performances précédentes
Attribution d’un score de compétence
Ajustement automatique du niveau de difficulté
Génération d’un quiz personnalisé

Grâce à l’intégration du RAG (Retrieval-Augmented Generation), les agents peuvent :

Accéder aux contenus pédagogiques internes
Sélectionner les informations pertinentes
Générer des questions contextualisées
Produire des retours intelligents et adaptés

Objectif du Système

L’objectif principal de cette architecture multi-agents est de mettre en place un système pédagogique adaptatif capable de :

Personnaliser l’apprentissage
Optimiser l’évaluation
Améliorer la progression des élèves
Offrir un accompagnement intelligent et automatisé

Ce système représente une évolution avancée vers une plateforme éducative intelligente, basée sur l’orchestration d’agents IA et l’exploitation des modèles LLM.

Architecture Agentine de SmartHub

Vue d'ensemble

SmartHub utilise une architecture multi-agent pour gérer les quiz adaptatifs et l'apprentissage personnalisé. Le système repose sur des agents spécialisés qui collaborent pour offrir une expérience d'apprentissage intelligente.

Agents Principaux

AdaptiveQuizOrchestrator

Rôle: Orchestrateur principal des quiz adaptatifs, coordonne tous les autres agents.

Interactions: - Utilise CourseQuizSupervisorAgent pour l'éligibilité - Utilise ProgressTrackerAgent pour l'analyse de progression - Utilise RAGQuizGenerationService pour la génération de quiz

Méthodes principales:

Méthode	Description	Paramètres	Retour
orchestrateAdaptiveQuiz	Orchestre un quiz adaptatif complet	userId, courseId	Map
determineQuizStrategy	Détermine la stratégie de quiz	progress, eligibility	String
createAgentParameters	Crée les paramètres d'agent	strategy, progress	Map
generateAdaptiveQuiz	Génère le quiz adaptatif	userId, courseId, strategy, params	QuizResponseDTO

Détails techniques: - Utilise Spring @Service et @Transactional - Intègre RAG pour génération de contenu personnalisé - Gère les stratégies: DIAGNOSTIC, REMEDIATION, CHALLENGE, REINFORCEMENT, STANDARD

CourseQuizSupervisorAgent

Rôle: Superviseur des quiz de cours, gère l'éligibilité et l'initiation.

Interactions: - Utilise ProgressTrackerAgent pour l'analyse de progression - Utilise RAGQuizService pour la génération de quiz - Accède aux repositories Course, Quiz, User, QuizAttempt

Méthodes principales:

Méthode	Description	Paramètres	Retour
checkQuizEligibility	Vérifie l'éligibilité au quiz	userId, courseId	QuizEligibilityResponse
initiateCourseQuiz	Initie un quiz de cours	userId, courseId	QuizInitiationResponse
debugQuizEligibility	Debug de l'éligibilité	userId, courseId	Map
generateQuizWithRAG	Génère quiz avec RAG	course, files, userId	QuizResponseDTO

Détails techniques: - Limite: 3 tentatives par jour, 30 min entre tentatives, 60 min timeout - Utilise @Transactional pour les écritures - Fallback si RAG échoue

ProgressTrackerAgent

Rôle: Analyse la progression des étudiants.

Interactions: - Utilise QuizAttemptRepository pour les données - Fournit des analyses aux autres agents

Méthodes principales:

Méthode	Description	Paramètres	Retour
analyzeProgress	Analyse complète de progression	userId	ProgressAnalysis

Détails techniques: - @Transactional(readOnly=true) pour les performances - Calcule taux de succès, score moyen, temps total, performance par topic

QuizOrchestratorAgent

Rôle: Orchestrateur de sessions de quiz générales.

Interactions: - Utilise RAGQuizService pour génération - Utilise UserRepository et LearningProfileRepository

Méthodes principales:

Méthode	Description	Paramètres	Retour
initiateQuizSession	Initie une session de quiz	userId, topic	QuizResponseDTO
submitAndEvaluateQuiz	Soumet et évalue le quiz	attemptId, submission	String
recommendNextQuiz	Recommande le prochain quiz	userId	String
getProgressDashboard	Dashboard de progression	userId	Object

Détails techniques: - Calcul simple de score (simplifié) - Met à jour le profil d'apprentissage

RecommendationEngineAgent

Rôle: Moteur de recommandations d'apprentissage.

Interactions: - Utilise RAGQuizService pour génération contextuelle - Utilise QuizRecommendationRepository

Méthodes principales:

Méthode	Description	Paramètres	Retour
generateLearningPath	Génère chemin d'apprentissage	userId	List
createRecommendation	Crée une recommandation	userId, topic, confidence, reason	QuizRecommendation
generateRecommendationsFromTopic	Génère recommandations par topic	userId, topic	List

Détails techniques: - Trie par score de confiance - Limite à 5 recommandations

Services RAG

EmbeddingService

Rôle: Génère des embeddings pour le RAG.

Interactions: - Utilise OllamaService (qui utilise Gemini)

Méthodes principales:

Méthode	Description	Paramètres	Retour
generateEmbedding	Génère embedding	text	float[]

Détails techniques: - Cache des embeddings - Fallback si Gemini échoue - Normalise le texte (max 500 caractères)

RAGQuizGenerationService

Rôle: Génère des quiz à partir de prompts RAG.

Interactions: - Utilise OllamaService pour appels Gemini

Méthodes principales:

Méthode	Description	Paramètres	Retour
generateQuizFromRAGPrompt	Génère quiz depuis prompt RAG	ragPrompt, quizTitle, questionCount	QuizResponseDTO

Détails techniques: - Max 20 questions - Vérifie disponibilité du service AI - Convertit Questions en QuestionResponseDTO

Modèles IA et Agents

Modèles IA utilisés

Gemini (Google AI): Via OllamaService pour génération de texte et quiz structuré
Embeddings Gemini: Pour vectorisation du texte dans RAG

Agents et leurs rôles

AdaptiveQuizOrchestrator: Chef d'orchestre, décide des stratégies
CourseQuizSupervisorAgent: Gestionnaire de cours, contrôle d'accès
ProgressTrackerAgent: Analyste de performance
QuizOrchestratorAgent: Gestionnaire de sessions générales
RecommendationEngineAgent: Conseiller pédagogique

Collaboration et prise de décision

Flux de collaboration

Utilisateur demande quiz adaptatif
    ↓
AdaptiveQuizOrchestrator vérifie éligibilité via CourseQuizSupervisorAgent
    ↓
Analyse progression via ProgressTrackerAgent
    ↓
Détermine stratégie (DIAGNOSTIC/REMEDIATION/etc.)
    ↓
Génère paramètres d'agent
    ↓
Initie quiz via CourseQuizSupervisorAgent
    ↓
Génère quiz avec RAGQuizGenerationService
    ↓
Quiz retourné à l'utilisateur

Prise de décision

Éligibilité: Basée sur tentatives/jour, temps entre tentatives, progression
Stratégie: Basée sur score moyen, nombre de quiz complétés, dernière activité
Contenu: Basé sur profil apprenant, intérêts, faiblesses
Recommandations: Basées sur score de confiance, triées par pertinence

Architecture générale

┌─────────────────┐    ┌─────────────────┐
│   Controller    │────│   Services      │
│   (REST API)    │    │   (Business)    │
└─────────────────┘    └─────────────────┘
         │                       │
         ▼                       ▼
┌─────────────────┐    ┌─────────────────┐
│   Agents        │◄──►│   RAG Services  │
│   (Orchestration│    │   (AI/ML)       │
│    & Logic)     │    └─────────────────┘
└─────────────────┘             │
         │                      ▼
         ▼             ┌─────────────────┐
┌─────────────────┐    │   OllamaService │
│   Repositories  │    │   (Gemini API)  │
│   (Data Access) │    └─────────────────┘
└─────────────────┘
         │
         ▼
┌─────────────────┐
│   PostgreSQL    │
│   (Database)    │
└─────────────────┘

Communication entre agents

[AdaptiveQuizOrchestrator] ──► [CourseQuizSupervisorAgent]
         │                              │
         │                              ▼
         │                     [ProgressTrackerAgent]
         │                              │
         ▼                              ▼
[RecommendationEngineAgent] ◄──────────┼─────────────┐
         │                              │             │
         ▼                              ▼             ▼
[RAGQuizGenerationService] ◄── [EmbeddingService] ◄── [OllamaService]
         │                              │             │
         ▼                              ▼             ▼
   Génération quiz              Vectorisation    API Gemini
   personnalisés                de contenu      (Google AI)

Conclusion Générale du Système d’Intelligence Artificielle

Le système d’intelligence artificielle de SmartHub repose sur une architecture avancée combinant :

Un chatbot conversationnel intelligent
Un système multi-agents spécialisé
Une intégration des modèles LLM
Un moteur RAG (Retrieval-Augmented Generation)

Cette architecture permet de transformer la plateforme en un véritable écosystème pédagogique intelligent.

D’un côté, le chatbot offre une assistance méthodique et contextualisée aux utilisateurs.
De l’autre, l’architecture multi-agents assure une supervision pédagogique complète, avec :

Analyse des profils étudiants
Évaluation dynamique des performances
Génération de quiz adaptatifs
Recommandations personnalisées
Ajustement intelligent des stratégies d’apprentissage

Grâce à l’orchestration des agents et à l’intégration du RAG, le système est capable de produire du contenu personnalisé, contextualisé et adapté au niveau réel de chaque apprenant.

Vous venez désormais de comprendre environ 80 % du fonctionnement global de notre système d’IA.

Vous êtes donc prêt à :

Lancer le projet en local
Explorer son architecture
Tester les agents
Exploiter pleinement le potentiel du système
Adapter et améliorer les solutions existantes

Perspectives d’Amélioration et Défis Techniques

Plusieurs axes d’amélioration peuvent être explorés si vous souhaitez contribuer au projet :

Création de modèles d’intelligence artificielle dédiés à la recommandation automatique de cours pour les étudiants.
Introduction de techniques avancées de NLP (Natural Language Processing) pour améliorer la recherche intelligente au sein de la plateforme.
Développement d’un moteur de recherche sémantique basé sur embeddings.
Intégration d’une page dédiée avec un chatbot embarqué permettant aux étudiants :
De coder directement dans la plateforme
D’être assistés en temps réel par l’IA
De recevoir des explications sur leurs erreurs
D’obtenir des suggestions d’amélioration

Ces défis représentent une opportunité d’évolution vers une plateforme encore plus autonome, adaptative et innovante.

Mot de Fin

Félicitations, cher lecteur.

Vous venez d’explorer l’architecture intelligente de SmartHub et de comprendre les fondements techniques d’un système pédagogique basé sur l’IA et les agents intelligents.

Nous vous souhaitons une excellente continuation dans votre quête de savoir, et nous vous invitons à contribuer, expérimenter et repousser les limites de cette architecture.

L’intelligence artificielle n’est pas seulement un outil dans ce projet : elle en est le moteur stratégique.

Technologies Utilisées

Java

Spring Boot

React

PostgreSQL

Docker

GitHub

Python

Gemini (Google AI)

Botpress

Démos du projet

Vous pouvez découvrir le projet via plusieurs ressources :

Présentation complète avec explications :
Voir la vidéo YouTube
Cette vidéo détaille le projet, son fonctionnement et les choix techniques.
Démo de l’application seulement :
Voir la démonstration sur LinkedIn
Accès direct à l’application en action, sans explications supplémentaires.
Code source complet sur GitHub :
Voir le dépôt GitHub
Vous pouvez cloner ou explorer le projet complet.
Tester l’application en ligne :
Accéder à l’application
Essayez directement l’application depuis votre navigateur.