Didier Sellin
Menu

Concierge hôtelier

Questions récurrentes des clients d'hôtel → un concierge qui répond avec les informations de leur établissement.

Assistant conversationnel multi-hôtel avec RAG hybride

RAG hybride + workflows métier
Voir le schéma ↓
  1. LLM
  2. RAG
  3. Règles déterministes
  4. Workflows métier
  5. Concierge IA contrôlé

01Problème métier

  • Les clients d'un hôtel posent sans cesse les mêmes questions : hébergements, services, spa, horaires, adresses utiles.
  • Un assistant d'hôtel ne doit répondre qu'à partir des informations de son établissement, et passer la main à un humain quand il le faut.

02Solution

  • Les contenus de chaque hôtel sont découpés, vectorisés et stockés ; chaque question déclenche une recherche hybride limitée à cet hôtel.
  • Le modèle répond dans un format structuré validé par Zod ; le serveur vérifie ensuite chaque identifiant recommandé.
  • Des workflows métier distincts prennent le relais : demande de séjour, réservation spa, demandes partenaires, rappel humain.

03Expérience client

  • Concierge conversationnel intégré au site de l'hôtel
  • Informations et événements de l'hôtel
  • Hébergements et photos
  • Réservation spa
  • Partenaires locaux
  • Demande de rappel

04Architecture

  • Next.js 16 et React en TypeScript ; Supabase (PostgreSQL) avec l'extension pgvector.
  • Chunking par paragraphes (~800 caractères, recouvrement de 100) puis embeddings OpenAI (text-embedding-3-small, 1536 dimensions).
  • Recherche hybride en SQL : union du top-k vectoriel et du top-k lexical (tsvector), chaque passage portant ses deux scores.
  • Multi-hôtel : données filtrées par hôtel, avec politiques Row Level Security dans les migrations.

05 Fonctionnement de l'IA

  • Deux branches de réponse : « ancrée » quand des passages pertinents sont trouvés, « sans contexte » sinon — le modèle doit alors qualifier sa réponse (answered, fallback, handoff).
  • Sortie structurée via responses.parse et un schéma Zod.
  • Extraction de la demande de séjour (dates, voyageurs) à partir de l'historique, également en sortie structurée.
  • Le modèle signale lui-même un échange abusif ; la conversation est alors marquée pour modération.

06 Ce qui est déterministe

  • Seuils de similarité et règles de sélection des passages fixés dans le code.
  • Un hébergement ou un partenaire recommandé par le modèle n'est retenu que s'il figure parmi les candidats proposés par le serveur.
  • Le bouton vers le moteur de réservation est décidé par la configuration de l'hôtel (lien ou widget), jamais par le modèle.
  • La demande de rappel humain est détectée par des règles explicites — le modèle ne la classe jamais. Ce workflow ne fait aucun appel LLM.
  • Le numéro de téléphone du client n'est jamais transmis au modèle.

07Données / mémoire

  • Sources de connaissances et passages vectorisés par hôtel, avec suivi de fraîcheur.
  • Informations temporaires (événements avec date de fin) injectées dans le contexte tant qu'elles sont actives.
  • Conversations persistées par hôtel ; seule une partie récente de l'historique est renvoyée au modèle.

08Architecture visuelle

  • Données mémoire · persistance
  • Code métier valider · calculer · autoriser · exécuter
  • Service externe API tierce
  • LLM comprendre · extraire · générer
Étape 1 / 9 · Données

Contenus hôtel

Sources saisies ou analysées depuis le site de l'hôtel, avec son accord.

Chaîne RAG, de l'ingestion à la réponse validée.

09Actions possibles

  • Recommander un type d'hébergement et diriger vers le moteur de réservation de l'hôtel.
  • Enregistrer une réservation spa via son propre workflow, avec validation manuelle optionnelle par l'hôtel.
  • Transmettre une demande à un partenaire de l'hôtel, sous réserve de son consentement.
  • Créer une demande de rappel et prévenir l'hôtel par SMS.

10Workflow partenaire

D'un chatbot qui répond à un système qui déclenche et suit un processus

Une demande auprès d'un partenaire local de l'hôtel traverse le LLM, les règles métier, un canal externe et le cockpit — avec un statut à chaque étape.

Étape 1 / 7 · Utilisateur

Client

« Je cherche un restaurant ce soir. »

Workflow de demande partenaire, de la conversation au suivi par l'hôtel.

11Cockpit hôtelier

Un concierge côté client. Un cockpit côté hôtel.

Le chatbot n'est que la partie visible. Chaque hôtel dispose d'un portail pour piloter son concierge et les services qu'il déclenche.

  1. Pilotage

    • Activité du chatbot
    • Conversations
    • Indicateurs 7 / 30 jours

  2. Concierge

    • Personnalisation
    • Événements temporaires
    • Widget

  3. Expérience client

    • Photos des hébergements
    • Fichier clients
    • Suivi des séjours

  4. Spa

    • Horaires et capacités
    • Tarification
    • Réservations et validation

  5. Partenaires locaux

    • Restaurants, transport, activités, commerces
    • Recommandations
    • Demandes et suivi de transmission

  6. Fidélisation

    • Fiches clients
    • Préférences de communication
    • Suivi après séjour
    • Campagnes
  1. Client
  2. Concierge IA
  3. RAG + structured outputs + règles métier
  4. Services de l'hôtel
  5. Cockpit hôtelier

12Administration multi-établissements

13Stack

  • TypeScript
  • Next.js
  • React
  • Supabase
  • PostgreSQL
  • pgvector
  • OpenAI
  • Zod
  • Vitest
  • API REST

Aussi : Row Level Security · Twilio (SMS) · Tests SQL

14Compétences démontrées

  • RAG hybride complet : chunking, embeddings, pgvector, recherche lexicale
  • Sorties structurées typées avec Zod
  • Cloisonnement multi-hôtel (Row Level Security)
  • Workflows métier déterministes à côté du LLM
  • Protection des données personnelles vis-à-vis du modèle