Plateforme de traitement des appels d'offres basée sur l'IA : Étude de cas iM Global Partner

CHIFFRES CLÉS

• 50% d'augmentation du nombre d'appels d'offres traités
• 30% d'amélioration du taux de réussite
• 38 milliards de dollars d'actifs sous gestion

À PROPOS DU CLIENT

Leader mondial de la gestion d'actifs, iM Global Partner gère un portefeuille de 38 milliards de dollars répartis sur 16 sites en Europe et aux États-Unis. Sa spécialisation dans les partenariats stratégiques avec des sociétés de gestion indépendantes en fait un acteur de référence du secteur financier international.

DÉFI

Dans un secteur aussi concurrentiel que la gestion d'actifs, la capacité à répondre efficacement aux appels d'offres est cruciale. iM Global Partner faisait face à un défi majeur : traiter un volume croissant de documents multilingues tout en maintenant une qualité de réponse irréprochable. L'extraction précise des questions et la constitution d'une base de connaissances robuste à partir des documents existants nécessitaient une solution innovante capable de s'adapter aux spécificités du contexte financier.

SOLUTION

Au cœur du système, un processus de matching intelligent combine la puissance des embeddings pour la vectorisation des documents avec les capacités de l'IA générative Mistral Nemo. Cette alliance identifie automatiquement les correspondances les plus pertinentes entre les appels d'offres et les produits financiers.

Pour le traitement des RFP (Request For Proposal), nous avons mis en place un système RAG (Retrieval-Augmented Generation) intelligent. Ce système analyse en profondeur les questionnaires, recherche les informations pertinentes dans la base de connaissances et génère des réponses contextualisées. L'ensemble de la plateforme est déployé directement sur l'infrastructure d'iM Global Partner, assurant ainsi la sécurité et la confidentialité des données sensibles.

Matching IA Intelligent

• Utilisation des embeddings pour la vectorisation des documents
• Matching automatique via l'IA générative (Mistral Nemo)
• Base de connaissances enrichie et contextualisée

Traitement Automatisé des RFP

• Analyse des questionnaires d'appels d'offres
• Système RAG (Retrieval-Augmented Generation) pour la recherche d'informations pertinentes
• Génération de réponses contextualisées

Sécurité et Conformité

• Déploiement on-premise sur l'infrastructure client
• Protection des données sensibles
• Contrôle complet du traitement des informations

EXEMPLE DE PROMPT POUR NORMALISER LES RFP

La force du prompt suivant réside dans sa combinaison de différentes techniques de prompting, créant un outil particulièrement efficace pour l'analyse des appels d'offres financiers. À sa base, la conception inclut le few-shot learning qui utilise un cas concret pour illustrer exactement le format attendu. Cette approche est renforcée par une structuration méthodique en étapes, suivant un principe de chain-of-thought qui guide l'analyse de manière logique et séquentielle. Le prompt s'appuie également sur un système de contraintes explicites et de spécification précise du format de sortie JSON, assurant des résultats standardisés et facilement exploitables. L'ensemble est encadré par une définition claire du rôle et du contexte, garantissant que l'analyse reste toujours alignée avec les objectifs spécifiques des appels d'offres financiers.

Cette approche multifacette crée ainsi un système robuste et précis, capable de traiter efficacement les réponses aux appels d'offres tout en maintenant un haut niveau de standardisation et de reproductibilité, éléments essentiels dans le secteur financier :

Objectif

Lire et analyser les documents pour identifier les paramètres clés d'investissement selon quatre catégories principales :

1. Classes d'actifs
2. Styles d'investissement
3. Catégories de capitalisation
4. Focus géographique

Étapes d'analyse

1. Classes d'actifs
   • Examiner les références aux classes d'actifs
   • Noter toutes les classes d'actifs identifiées
   • Doit correspondre à la liste des valeurs spécifiées
2. Styles d'investissement
   • Examiner les références aux stratégies d'investissement
   • Noter tous les styles identifiés
   • Doit correspondre à la liste des valeurs spécifiées
3. Catégories de capitalisation
   • Examiner les références à la capitalisation boursière
   • Noter toutes les catégories identifiées
   • Doit correspondre à la liste des valeurs spécifiées
4. Focus géographique
   • Examiner les références aux régions géographiques
   • Noter tous les emplacements identifiés
   • Doit correspondre à la liste des valeurs spécifiées
5. Paramètres optionnels
   • Identifier les préférences optionnelles ou alternatives acceptables
   • Noter les éléments qui sont :
     • Préférés mais non obligatoires
     • Acceptables mais non prioritaires
     • Autorisés comme options secondaires
   • Catégoriser les éléments optionnels dans les quatre catégories principales
6. Gestion des ambiguïtés
   • Ignorer toute mention peu claire ou ambiguë
   • Inclure uniquement les éléments clairement identifiables

Format de sortie

Le résultat doit être formaté en JSON avec les catégories suivantes :