Genius Solutions - Genius ERP

Notre travail s’est divisé en deux volets : les modèles prédictifs et l’assistant agentique.

Première partie: les modèles prédictifs

Pour créer des modèles d’apprentissage machine capables de générer des prédictions fiables à partir des riches données déjà présentes dans l’ERP, nous avons ciblé trois cas d’usage à fort impact : les délais fournisseurs, les retards de production et la prévision de la demande.

Cas d’usage

• Délais fournisseurs – Prédit si un fournisseur risque d’être en retard en fonction de son historique. Par exemple, si un fournisseur de modules de batteries dépasse souvent ses échéances, l’ERP peut le signaler tôt, permettant aux manufacturiers de VE d’ajuster leurs calendriers ou de trouver des alternatives.
• Retards de production – Anticipe les retards dans les travaux de production causés par divers facteurs : problèmes d’approvisionnement, lacunes de planification, bris de machines ou enjeux humains. L’ERP utilise l’historique pour signaler les risques et aider les équipes à garder leurs opérations sur la bonne voie.
• Prévision de la demande – Estime les besoins d’inventaire futurs. Si les prévisions annoncent un pic de demande pour un modèle précis de VE le mois prochain, l’ERP calcule quelles pièces (comme les unités de recharge ou les châssis) devront être réapprovisionnées, et quand.

Avant ce projet, Genius ERP offrait une automatisation légère, comme des rappels de réapprovisionnement, mais la majorité des décisions restaient manuelles. Notre objectif était d’intégrer de l’intelligence prédictive directement dans le flux de travail. Nous avons utilisé des modèles d’apprentissage supervisé traditionnels pour prédire les délais de production et les risques de retard. Pour la prévision de la demande, nous avons créé une solution hybride combinant Chronos (un modèle fondation spécialisé en séries temporelles), du machine learning classique et des méthodes statistiques.

Chaque client disposant de sa propre base de données, nous avons conçu un pipeline automatisé avec Azure Machine Learning. Celui-ci récupère de manière sécurisée les données des clients, entraîne les modèles dans le cloud, puis les déploie dans leur environnement — assurant ainsi des prédictions à jour, sans intervention manuelle.

Deuxième partie: l’assistant agentique

Dans la deuxième phase du projet, nous avons posé les bases d’un assistant agentique nommé Cortex, conçu pour agir comme un expert disponible en tout temps directement dans l’ERP. Cortex utilise le langage naturel pour interroger une base de connaissances alimentée par deux sources majeures : le guide d’aide en ligne de Genius (définitions produits et terminologie) et la Genius Academy, une plateforme d’apprentissage remplie de tutoriels vidéo, de quiz, d’images et de matériel éducatif.

Nous avons conçu des pipelines ETL (Extract, Transform, Load) pour extraire, nettoyer et convertir ce contenu dans un format latent que l’assistant peut comprendre. Nous avons ouvert les documents—HTML, vidéos, PDF—pour en extraire tout le texte avec sa structure sémantique. Ensuite, nous avons utilisé des modèles d’embedding pour transformer ce texte en vecteurs pouvant être stockés et recherchés efficacement.

Comme certains contenus vidéo dépassaient deux heures, nous avons développé des workflows pour découper les fichiers, extraire l’audio, le transcrire avec Whisper, puis préparer le tout pour ingestion. Pour rendre le système durable, nous avons ajouté une fonctionnalité de détection de changements, qui identifie exactement ce qui a évolué depuis le dernier passage du pipeline, et ne traite que le nouveau contenu.

Comme des erreurs peuvent survenir lors de l’exécution des pipelines (limites d’API, interruptions de service), nous avons utilisé une stratégie de déploiement bleu-vert pour l’index de recherche : une version reste active pendant qu’une nouvelle est bâtie en parallèle. Une fois validée, on bascule instantanément, sans interruption.

Au niveau applicatif, chaque instance ERP possède son propre agent et son propre ensemble d’outils. Le plus important : la base de connaissances, à laquelle les utilisateurs peuvent poser des questions en langage naturel. Pour orchestrer ce système, nous avons utilisé Semantic Kernel, le framework de Microsoft pour intégrer des modèles de langage dans des applications .NET.