Formation Développer un assistant conversationnel avec Rasa et Llamalndex
Donnez à vos équipes les moyens de répondre utilement aux utilisateurs grâce à un assistant conversationnel adapté aux besoins métier.
- Référence formation :
- MOD_20262086
- Durée :
- 21 heures
- Satisfaction :
- Prix :
- 2280 € HT
Présentation de la formation
Cette formation de 3 jours permet de concevoir un assistant conversationnel complet avec Rasa, depuis le cadrage fonctionnel et la définition des intents/entities jusqu’à la mise en place d’une NLU robuste adaptée au français.
Les participants apprennent à gérer des dialogues multi‑tours avec forms, stories, règles et custom actions Python, puis à enrichir le bot avec une base de connaissances RAG via LlamaIndex pour répondre à des questions métier complexes.
Ils travaillent enfin sur la qualité, le déploiement et le monitoring (tests, fallback, Docker, intégration web/Teams, RGPD), afin d’industrialiser un chatbot multi‑canal opérationnel.
Objectifs pédagogiques
A l’issue de la formation, le stagiaire sera capable de créer et de déployer un assistant conversationnel.
- Concevoir un chatbot intelligent
- Gérer le traitement du langage naturel
- Intégrer et déployer le chatbot
- Optimiser la compréhension et les réponses
Public visé
- Développeurs AI, NLP engineers
Prérequis
- Connaissances en Python et ML.
Jour 1 — Conception et fondamentaux Rasa
Matin — Concepts des assistants conversationnels
- Panorama des chatbots : règles, ML, LLM
- Concepts NLU, NLG, gestion du dialogue
- Architecture Rasa Open Source: NLU, Core, Action Server
- Installation et premier projet Rasa
Atelier — Cadrage et premier bot Rasa pour un service marketing
Contexte : Une direction marketing souhaite proposer un assistant conversationnel sur son site web pour répondre aux questions courantes (horaires, services…).
Dataset : Liste de questions clients fréquentes fournie par le formateur + corpus de 200 verbatim issus du chat support.
Tâches à réaliser:
- Réaliser un cadrage : périmètre, persona, scénarios prioritaires
- Initialiser un projet Rasa et étudier sa structure de fichiers
- Définir les premiers intents et entities
- Lancer un premier dialogue dans Rasa Shell
Livrable attendu : Document de cadrage (1 page) et projet Rasa initial avec 5 intents fonctionnels.
Après-midi — NLU avec Rasa
- Définition des intents et entities
- Pipeline NLU (tokenizers, featurizers , classifiers)
- Données d’entraînement et bonnes pratiques d’annotation
- Synonymes , lookup tables, regex
Atelier — Construction d’une NLU pour un assistant santé
Contexte : Une direction commerciale souhaite un chatbot capable de comprendre des demandes de prise de rendez-vous, en extrayant le motif, la date souhaitée et le commercial.
Dataset : Jeu de données composé de questions fréquentes et de verbatim issus d’échanges de support client.
Tâches à réaliser:
- Annoter les entities (motif, date, commercial ) dans nlu.yml
- Configurer un pipeline NLU adapté au français ( spaCy ou DIET)
- Entraîner et évaluer la NLU avec rasa test nlu
- Itérer pour atteindre un F1 d’au moins 0,85 sur les intents principaux
Livrable attendu : Fichier nlu.yml enrichi et rapport d’évaluation rasa test (matrice de confusion, F1 par intent).
Jour 2 — Gestion du dialogue et intégration LlamaIndex
Matin — Dialogue, stories et custom actions
- Stories, rules et policies Rasa
- Forms et slot filling
- Custom Actions Python et appel d’APIs externes
- Gestion des erreurs et fallback
Atelier — Workflow multi-tours pour une demande de devis assurance
Contexte : Un assureur souhaite automatiser le pré-cadrage d’une demande de devis auto via un dialogue multi-tours (type de véhicule, usage, profil conducteur).
Dataset : Schéma de dialogue type fourni + API mock de cotation simplifiée.
Tâches à réaliser:
- Définir un Form pour collecter les informations clés
- Écrire les stories couvrant les chemins nominaux et les ré-ouvertures
- Implémenter une Custom Action appelant l’API mock de cotation
- Gérer les cas de hors-sujet avec un fallback dédié
Livrable attendu : Bot capable de mener le dialogue de bout en bout et de retourner une cotation simulée.
Après-midi — LlamaIndex et RAG
- Concepts du Retrieval Augmented Generation (RAG)
- Architecture LlamaIndex : documents, nodes, index, query engines
- Indexation d’une base documentaire (PDF, web, bases internes)
- Choix d’un embedding model et d’un vector store
Atelier — Base de connaissances RAG pour un service RH
Contexte : Une grande entreprise souhaite que ses collaborateurs puissent interroger en langage naturel le règlement intérieur, l’accord télétravail et la convention collective.
Dataset : Des documents PDF fournis représentant des documents RH types.
Tâches à réaliser:
- Charger les PDF dans LlamaIndex et configurer le splitting
- Construire un index vectoriel avec un embedding open source
- Tester des questions types et analyser la pertinence des réponses
- Intégrer la requête LlamaIndex dans une Custom Action Rasa
Livrable attendu : Bot Rasa enrichi capable de répondre aux questions RH en citant les passages sources.
Jour 3 — Optimisation et mise en production
Matin — Qualité et optimisation
- Évaluation NLU et dialogue (cross-validation, test stories)
- Stratégies de fallback et gestion des hors-sujets
- Optimisation des prompts et de la recherche sémantique
- Détection de drift de conversations
Atelier — Évaluation et durcissement du chatbot RH
Contexte : Avant mise en production, le service RH veut s’assurer que le bot répond correctement à au moins 90% des questions et reconnaît les questions hors périmètre.
Dataset : Set de 50 questions de test fourni (réelles, mal orthographiées, hors sujet).
Tâches à réaliser:
- Construire des tests stories Rasa et lancer rasa test
- Analyser les erreurs et enrichir la NLU en conséquence
Dernière mise à jour le 5 novembre 2026
25 - 27 Mai 2027
À distance
Formation Développer un assistant conversationnel avec Rasa et Llamalndex
17 - 19 Novembre 2027
À distance
Formation Développer un assistant conversationnel avec Rasa et Llamalndex
Modalités pratiques et pédagogiques
Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :
- Formation en présentiel
- En groupe (inter-entreprises ou intra-entreprise)
- En individuel (monitorat)
- En journée ou en cours du soir (sur demande spécifique)
- Formation en distanciel
- Distanciel synchrone
- Distanciel asynchrone
- Alternance d’apports théoriques et de mises en pratique contextualisées.
- Progression pédagogique structurée, de la compréhension à la mise en œuvre opérationnelle.
- Pédagogie immersive favorisant une mise en application immédiate des compétences.
- Formation interactive et participative s’appuyant sur des ateliers pratiques, études de cas et échanges collectifs (+ 60 % du temps de formation.)
- Séquences pédagogiques rythmées et évaluations formatives régulières pour renforcer l’ancrage des apprentissages.
- Supports de cours, ressources documentaires et références mis à disposition par le formateur
En amont de la formation (évaluation en ligne dans l’extranet apprenant)
- Recueil des besoins et des attentes des participants.
- Auto-positionnement permettant d’évaluer le niveau initial des apprenants.
Tout au long de la formation
- Évaluations continues réalisées par le formateur à travers des questions orales, exercices, QCM, études de cas et mises en situation pratiques.
À l’issue de la formation (évaluations en ligne dans l’extranet apprenant)
- Auto-positionnement afin de mesurer l’acquisition des compétences visées.
- Validation de l’acquisition des compétences par le formateur
- Questionnaire de satisfaction « à chaud » à l’issue de la formation
- Questionnaire de satisfaction « à froid », 45 jours après la formation afin d’évaluer l’ancrage des acquis et leur mise en application en situation professionnelle.
Nous consulter.
Nos formations peuvent être adaptées à certaines conditions de handicap. Nous contacter pour toute information et demande spécifique.
Tarifs et financement
Formation éligible aux Actions Collectives OPCO Atlas.