.svg "Baseline-logo-complet-blanc (9)"){kind=logo}
Commerce de détail | Développement de solution IA - RAG
.png?width=1500&height=450&name=Banni%C3%A8re%20Baseline%20(14).png "Bannière Baseline (14)")
Client : Tanguay
Année de réalisation : 2024-2025
[Contexte et problématique]
Tanguay est l’un des leaders de l’industrie de l’ameublement au Québec. Une partie importante de leurs ventes se fait en ligne, notamment en dehors des heures d’ouverture, sans la possibilité pour les clients de bénéficier des conseils d’un vendeur. Cela réduit l’opportunité de proposer des produits complémentaires et d'améliorer l’expérience client. Tanguay souhaitait améliorer l’expérience client et augmenter les ventes en ligne en dehors des heures d’ouverture, en proposant des recommandations personnalisées sans intervention humaine. Le site web de Tanguay enregistre environ 336 000 visites mensuelles. L’agent supporte environ 10% du trafic actuellement.
[Approche utilisée]
Nous avons mis en place une solution de type RAG (Retrieval Augmented Generation), utilisant un LLM (ex. ChatGPT) pour interpréter les besoins des clients et proposer des produits en fonction de leur requête, en s'appuyant sur une base de données vectorielle (Weaviate). Des règles spécifiques de cross-selling et des fiches produits adaptées ont été intégrées pour offrir des recommandations personnalisées. Un système d’évaluation semi-automatisé garantit la qualité des réponses générées par le chatbot.
[Résultats]
Une solution conversationnelle d'IA pleinement déployée et utilisée en contexte réel, capable d'interpréter des requêtes complexes et de proposer des alternatives pertinentes. Par exemple, face à une demande atypique pour un « frigo à 8 portes », le chatbot comprend l'intention derrière la requête et suggère des modèles à 4 portes, démontrant sa capacité à cerner le besoin réel du client et à recommander des options cohérentes.
Intégrée à l'environnement de service, la solution agit comme un véritable conseiller virtuel, accompagnant les clients dans leur parcours d'achat et facilitant l'accès à l'information produit.
Voir le chatbot en fonction sur le site web de Tanguay.
Commerce de détail | Développement de solution IA - RAG
Client : Librairie Martin
Année de réalisation : 2024
[Contexte et problématique]
La librairie Martin éprouvait des difficultés à recruter des commis aptes à formuler des recommandations littéraires de qualité, ce qui nuisait à l’expérience client et aux ventes. Il devenait alors nécessaire de maintenir un service personnalisé, aligné sur les préférences des clients et l’inventaire en magasin. Au-delà des clients qui vont physiquement en librairie, ce libraire enregistre 8 100 visites sur son site web mensuellement. L’agent supporte environ 50% du trafic actuellement.
[Approche utilisée]
Nous avons développé une solution de type Retrieval Augmented Generation (RAG) permettant d’effectuer une recherche dans une base de données vectorielles qui est mise-à-jour quotidiennement avec l’inventaire de la librairie et qui retourne une réponse générée par un large modèle de langue basé sur l’intelligence artificielle. La solution intègre également des technologies de transcription et de synthèse vocale qui permettent à l’utilisateur d’interagir avec le système par la voix.
[Résultats]
La librairie Martin dispose d’un système de recommandation intuitif intégré avec son niveau d’inventaire. Le chatbot est capable de répondre à des questions concernant l’entièreté du catalogue, ce qui permet aux commis de répondre à des questions portant sur des genres littéraires nichés comme les mangas. Les clients comme les commis apprécient les recommandations du chatbot et son utilisation a permis de servir un plus grand nombre de clients.
Technologie | Développement d'un système de recommandation / classification multi-labels
.png?width=1500&height=450&name=Banni%C3%A8re%20Baseline%20(12).png "Bannière Baseline (12)")
Client : Brix Labs
Année de réalisation : 2020
[Contexte et problématique]
Dans cette ère d’innovation et de progrès, la révolution de l’intelligence Brix Labs développe une plateforme de productivité numérique dédiée au monde de l’édition. L’entreprise souhaite offrir une solution aux éditeurs pour leur permettre d’attribuer automatiquement des codes BISAC, un standard international de caractérisation, à un livre Par exemple, le livre « The Billionaire’s Vinegar » détient les codes « Antiques & Collectibles - Wine » et « True Crime - Con Artists, Hoaxes & Deceptions » alors que le livre « Night Watch » montre les codes « Fiction - Literary », « Fiction - Medical » et « Fiction - Civil War Era ». Au total, il existe plus de 5000 codes et un même livre peut se voir assigner jusqu’à trois codes différents.
Initialement, l’assignation des codes BISAC se réalise de façon manuelle par l’éditeur, une tâche particulièrement fastidieuse. La complexité de la tâche occasionne également une sous-utilisation de certains BISAC pouvant nuire à la commercialisation des livres.
[Approche utilisée]
Baseline a développé un système de recommandations qui extrait les cinq codes BISAC les plus pertinents à partir du résumé du livre. La structure du résumé et les mots utilisés donnent assez d’information pour bien le caractériser. L’infrastructure autour du système lui permet de s’améliorer en continu et de suggérer des recommandations de plus grande qualité.
[Résultats]
Les recommandations du système sont fiables à 90%. La portion restante de 10% provient majoritairement des codes BISAC non utilisés par l’éditeur. La prédiction se fait en moins d’une seconde, faisant en sorte que Brix Labs peut « appeler » le système en temps réel et l’intégrer à ses outils technologiques.
Technologie | Architecture multi-agents
-1.png?width=1500&height=450&name=Banni%C3%A8re%20Baseline%20(12)-1.png "Bannière Baseline (12)-1")
Client : Serko
Année de réalisation : 2026
[Contexte et problématique]
Serko, entreprise technologique spécialisée dans la gestion des voyages d’affaires, souhaitait transformer complètement l’expérience utilisateur de sa plateforme. L’objectif : passer d’une interface classique à une Agentic Experience (AX), où les utilisateurs expriment leurs besoins en langage naturel et une IA gère automatiquement la recherche et la recommandation de vols et d’hôtels personnalisés, en tenant compte de leurs préférences, de leur historique et des politiques d’entreprise.
[Approche utilisée]
Baseline a conçu une architecture multi-agents propulsée par PydanticAI, capable de traiter des demandes complexes et de fournir des réponses personnalisées. Pour gérer efficacement la personnalisation, nous avons développé un système hybride combinant apprentissage des préférences utilisateurs et filtrage rapide des résultats. Un modèle à préférences court et long terme permet d’adapter les recommandations aux habitudes globales des voyageurs tout en tenant compte des besoins spécifiques de chaque déplacement.
[Résultats]
La preuve de concept a rapidement montré son potentiel : avant même sa livraison finale, Serko a décidé d’accélérer le développement de la version bêta et de prolonger la collaboration avec Baseline. Ce projet place Serko à l’avant-garde des expériences conversationnelles intelligentes dans le secteur des voyages d’affaires.
Santé | IA conversationnelle
-1.png?width=1500&height=450&name=Banni%C3%A8re%20Baseline%20(13)-1.png "Bannière Baseline (13)-1")
Client : BSW Health
Année de réalisation : 2026
[Contexte et problématique]
Baylor Scott & White Health (BSW Health), le plus grand système de santé à but non lucratif au Texas, souhaitait simplifier l’utilisation de sa plateforme numérique myBWSH, complexe et surchargée d’informations. L’objectif était de créer une expérience agentique permettant aux usagers de rechercher de l’information et d’exécuter facilement des opérations, prendre rendez-vous, payer des factures, gérer leur couverture, via un point d’entrée centralisé sous forme de clavardage. Bien que BSW Health ait développé une preuve de concept interne, l’équipe souhaitait valider l’expérience avec des spécialistes et accélérer le développement pour atteindre ses objectifs.
[Approche utilisée]
Baseline accompagne BSW Health pour valider et optimiser leur concept agentique. Nous analysons les parcours utilisateurs, testons la faisabilité des interactions conversationnelles et proposons des ajustements pour simplifier la navigation tout en conservant la complexité des fonctionnalités essentielles. Notre rôle est de transformer la preuve de concept en un prototype robuste, prêt à passer à la phase de développement accéléré, tout en garantissant une expérience fluide, intuitive et centrée sur l’usager.
[Résultats]
La collaboration avec Baseline permettra à BSW Health de valider et d’optimiser sa preuve de concept, en accélérant le développement vers une version plus robuste et performante. La solution vise à offrir aux usagers une expérience plus intuitive, personnalisée et centralisée, positionnant BSW Health comme un acteur innovant dans les services numériques de santé.
Pourquoi choisir Baseline
Une expertise de pointe en IA
Un accompagnement de bout en bout
Des résultats concrets et mesurables
Notre méthode de développement IA
Développer une solution IA performante et durable ne s'improvise pas.
Chez Baseline, nous suivons une approche structurée et agile, qui vous place au cœur du processus.
-1.png?width=850&height=1500&name=Banni%C3%A8re%20Baseline%20(7)-1.png "Bannière Baseline (7)-1")
Canevas d'innovation
Co-construction du projet d'affaire pour aligner la vision technologique de l'IA avec les objectifs stratégiques de l'entreprise.
Cahier de charge
Définition concrète des requis (fonctionnels et non fonctionnels), des contraintes (techniques, réglementaires) et validation de la suffisance et de l'accessibilité des données.
Plan de développement
Découpage de la vision globale en étapes de développement pour équilibrer la gestion des risques et la livraison continue de valeur.
Prototypage
Validation rapide de l'approche technique basée sur l'IA, ajustement de la trajectoire et construction d'un prototype utilisable servant de fondation au système final.
Développement de l'application
Construction des fonctionnalités restantes autour du prototype, utilisation de méthodes itératives éprouvées, et intégration aux systèmes existants (ERP, CRM, etc.).
Déploiement
Rendre les fonctionnalités disponibles à grande échelle, solidification de l'infrastructure et mise en place des outils de surveillance et d'observabilité pour détecter les pannes.
Formation et transfert de connaissances
Formation des utilisateurs et des équipes internes pour l'utilisation et la maintenance de la solution, assurant l'autonomie grâce à une documentation claire.
Maintenance évolutive
Support après déploiement pour garantir la stabilité, la sécurité, l'adaptabilité, et assurer la mise à jour et l'intégration de nouvelles fonctionnalités au besoin.