Comment IskayPet a unifié le savoir-faire d'entreprise avec Amazon Bedrock Managed Knowledge Bases

Les équipes de bureau d'IskayPet étaient confrontées à un défi de connaissances. Les réponses aux questions opérationnelles quotidiennes, telles qu'une politique de retour, un protocole vétérinaire ou une étape d'intégration, se trouvaient dans des centaines de documents Microsoft SharePoint répartis en quatre langues et dans trois pays. Trouver la bonne information dans de vastes dépôts de documents prenait beaucoup de temps. Chaque nouveau magasin, pays ou procédure agrandissait le problème.

La génération augmentée par récupération (RAG) est la manière habituelle de résoudre ce problème. Mais faire fonctionner le RAG en production signifie normalement gérer soi-même des bases de données vectorielles, des pipelines d'embedding et des tâches d'ingestion.

Dans cet article, nous montrons comment IskayPet, une entreprise leader dans le domaine des soins pour animaux en Ibérie, a construit un assistant de connaissances d'entreprise sur Amazon Bedrock Managed Knowledge Bases. L'assistant répond aux questions des employés dans les domaines des opérations de vente au détail, des soins vétérinaires, des ressources humaines et de l'intégration, et des achats, en quatre langues et dans trois pays, sans infrastructure RAG à gérer. L'équipe a construit l'ensemble de la solution, du frontend destiné aux magasins jusqu'à l'architecture et au déploiement AWS, en utilisant Kiro avec Claude Haiku 4.5. Nous couvrons l'architecture, l'intégration SharePoint, les décisions de configuration de la récupération et les résultats en production.

À propos d'IskayPet

IskayPet est une entreprise leader dans le domaine des soins pour animaux en Ibérie. Elle exploite plus de 330 magasins en Espagne, au Portugal et en France sous les marques Kiwoko, Tiendanimal, Kivet, Clinicanimal et Animalis. Avec plus de 4,500 employés et 7 millions de clients, IskayPet gère des opérations couvrant la vente au détail, les cliniques vétérinaires, les soins aux animaux, les achats, ainsi que les ressources humaines et l'intégration. Chaque domaine a ses propres politiques et procédures, en espagnol, en portugais, en français et en anglais.

Le défi

Dans tous les domaines d'activité, le personnel de bureau d'IskayPet cherchait manuellement dans des centaines de documents SharePoint pour répondre aux questions opérationnelles concernant les procédures, les politiques, les contrats et l'intégration. Avec des opérations dans trois pays et quatre langues, cela prenait un temps considérable, et la réponse était souvent obsolète ou erronée.

Il n'existait aucun moyen fiable d'interroger le savoir-faire d'entreprise, et le problème grandissait avec chaque pays, domaine ou document ajouté. IskayPet avait besoin d'une solution capable de faire ce qui suit :

• Répondre à des questions en langage naturel fondées sur leurs propres documents d'entreprise.
• Fonctionner en quatre langues sans maintenir de systèmes séparés.
• Acheminer chaque question vers le bon corpus de connaissances (un domaine, un pays) sans contamination croisée.
• Passer à l'échelle vers de nouveaux domaines et pays sans re-concevoir l'architecture.
• Citer ses sources afin que les employés puissent faire confiance aux réponses et les vérifier.
• Réutiliser leurs dépôts SharePoint existants sans migration coûteuse.

Pourquoi Amazon Bedrock Managed Knowledge Bases

IskayPet a choisi Amazon Bedrock Managed Knowledge Bases pour son infrastructure RAG gérée, ce qui a éliminé le besoin d'exécuter des magasins de vecteurs, des embeddings ou des pipelines d'ingestion. Les principales raisons étaient :

• RAG géré : Amazon Bedrock prend en charge l'ingestion de données, l'analyse multimodale, le stockage vectoriel, la génération d'embeddings et la récupération. IskayPet ne paie que ce qu'elle stocke et récupère.
• Connecteur SharePoint natif : Le connecteur ingère les documents directement depuis l'environnement SharePoint existant d'IskayPet, ce qui a évité une migration de données. Avec l'indexation avancée activée, il traite également le contenu des images intégrées dans les documents.
• Recherche hybride intégrée : La combinaison de la recherche sémantique et par mots-clés (BM25) sans coût supplémentaire récupère les termes exacts, tels que les codes produits et les références, que la recherche purement sémantique peut manquer.
• Reclassement géré : Les passages récupérés sont réordonnés par pertinence sans frais supplémentaires.
• Contrôle d'accès au niveau du document : La base de connaissances peut appliquer les propres autorisations du système source au moment de la récupération, de sorte qu'une requête ne renvoie que des passages de documents que l'utilisateur demandeur est déjà autorisé à lire. Cela permet à IskayPet de réutiliser les autorisations SharePoint au lieu de reconstruire un modèle d'autorisation.
• Flexibilité des modèles : IskayPet peut commencer avec un modèle économique et le changer plus tard sans réécrire l'infrastructure.
• Évaluation RAG native : L'équipe a mesuré la qualité à chaque étape avec les outils d'évaluation intégrés.

Présentation de la solution

Le diagramme suivant montre le flux de bout en bout, depuis la question de l'employé jusqu'à la réponse sourcée et citée, en passant par la récupération sensible aux permissions.

Figure 1 : Architecture de la solution

La solution est un assistant auquel les employés accèdent par leurs canaux existants. Lorsqu'un employé pose une question, l'assistant récupère les passages les plus pertinents de sa base de connaissances, en se limitant aux documents que l'employé est autorisé à lire. Il génère ensuite une réponse sourcée et citée dans la langue de l'employé.

À un haut niveau, le flux fonctionne comme suit :

1. Un employé soumet une question en langage naturel via l'interface de chat.
2. L'application interroge la base de connaissances pour l'assistant demandé, en transmettant l'identité de l'employé afin que les permissions au niveau des documents soient appliquées à la récupération.
3. La base de connaissances exécute une recherche hybride (sémantique et par mots-clés) sur le contenu indexé, reclasse les résultats et renvoie les passages les plus pertinents avec leurs références de source.
4. Un modèle de fondation (FM) génère une réponse ancrée à partir des passages récupérés. Le prompt exige la citation des sources et indique au modèle de le signaler lorsque la réponse ne figure pas dans le contenu récupéré.
5. L'employé reçoit la réponse ainsi que les documents sources et peut laisser un retour (pouce levé ou baissé) qui alimente l'ensemble d'évaluation.

Construction de la solution avec Kiro et Claude Haiku 4.5

IskayPet a construit l'ensemble de la solution, du frontend destiné aux magasins jusqu'à l'architecture AWS et au déploiement des services, en utilisant Kiro, l'environnement de développement agentique, fonctionnant sur Claude Haiku 4.5 sur Amazon Bedrock. À mesure que de nouveaux modèles deviennent disponibles sur Amazon Bedrock, IskayPet prévoit de les évaluer et de les adopter pour chaque cas d'usage.

Pour la disponibilité des modèles par région AWS, voir Supported models by AWS Region in Amazon Bedrock.

• Frontend destiné aux magasins – L'équipe a utilisé Kiro pour construire le frontend que les employés des magasins utilisent pour interagir avec l'assistant, en générant et en itérant sur le code de l'interface avec Claude Haiku 4.5.
• Architecture et déploiement – Kiro a également aidé à concevoir l'architecture AWS et à provisionner les services derrière la solution : configuration de la base de connaissances, sources de données, rôles AWS Identity and Access Management (IAM) et couche applicative.

Un flux de travail agentique avec Kiro et un modèle rapide et économique comme Claude Haiku 4.5 a permis à une petite équipe de passer rapidement du concept à la production. Cela a également maintenu le code applicatif et l'infrastructure cohérents et maintenables.

Ingestion : le connecteur SharePoint avec indexation avancée

Les documents d'IskayPet résidaient déjà dans SharePoint, organisés par zone et par pays. Plutôt que de les migrer, l'équipe a utilisé le connecteur SharePoint natif d'Amazon Bedrock Managed Knowledge Bases.

Dans les Advanced configurations de la source de données, sous Content indexing et Advanced indexing, IskayPet a activé Visual content in documents. Ce paramètre extrait le contenu des images intégrées dans les documents (PDF, DOCX, PPTX) et des images autonomes. Les figures et le contenu numérisé à l'intérieur des documents de procédures sont devenus consultables sans pipeline de prétraitement distinct.

Le connecteur se synchronise de manière incrémentielle, de sorte que les documents nouveaux et mis à jour sont récupérés à chaque synchronisation.

Architecture multi-pays, multi-zones

Une décision de conception clé a été la manière de structurer les connaissances pour quatre langues, plusieurs domaines d'activité et trois pays. IskayPet a pesé deux approches :

• Une base de connaissances partagée unique, avec chaque document étiqueté par pays et par zone et un filtre de récupération appliqué par requête. Cela maximise la réutilisation du contenu partagé, mais couple tous les domaines en un seul index.
• Une base de connaissances dédiée par assistant, chacune limitée aux sites ou bibliothèques SharePoint pertinents. Cela permet de garder chaque corps de connaissances isolé de bout en bout et permet d'ajuster chaque assistant de manière indépendante.

IskayPet a choisi une base de connaissances par assistant. Chaque assistant pointe vers des sites SharePoint spécifiques et peut être encore restreint à des bibliothèques de documents ou des dossiers spécifiques via des chemins d'inclusion, de sorte qu'il n'indexe que le contenu prévu et non l'ensemble du site d'entreprise. Ajouter une nouvelle zone ou un nouveau pays signifie ajouter un assistant et le pointer vers le bon contenu, sans réarchitecturer le système.

Contrôle d'accès

L'accès est régi par les permissions SharePoint existantes des utilisateurs. L'assistant n'accorde l'accès à rien de nouveau : il rend simplement plus simple l'interrogation de documents qu'un employé pouvait déjà ouvrir. Cela fonctionne à deux niveaux.

• Quels assistants un utilisateur voit – Un employé ne voit que les assistants dont la documentation sous-jacente lui donne le droit de lecture, que ce droit provienne d'une permission directe, d'une appartenance à un groupe ou de l'accès à un dossier spécifique. Si l'accès ne peut pas être confirmé, l'assistant est masqué plutôt qu'affiché.
• Quels documents alimentent une réponse – L'accès est de nouveau appliqué au moment de la récupération, par document : l'identité de l'employé est transmise à la base de connaissances, qui renvoie des passages uniquement des documents que cette personne est autorisée à voir. Amazon Bedrock Managed Knowledge Bases prend en charge ce contrôle d'accès au niveau des documents de manière native, de sorte que la même réponse à la même question peut légitimement différer entre deux employés ayant des permissions différentes.

Comme les permissions sont lues depuis SharePoint à chaque vérification d'accès, la révocation ou l'octroi d'un accès dans SharePoint se reflète dans l'assistant sans modification de l'application.

Configuration de la récupération et de la génération

La qualité d'un système RAG se décide principalement à l'ingestion, à la récupération et à la génération. Le fine-tuning est une technique complémentaire. Pour ce cas d'usage, IskayPet a ajusté les paramètres suivants :

• Découpage (chunking) – Géré par la base de connaissances managée, l'équipe n'a donc pas construit ni ajusté de pipeline de découpage. Cela a supprimé un composant qui représente généralement un effort opérationnel important dans un RAG auto-géré.
• Recherche hybride – La base de connaissances combine la récupération sémantique et par mots-clés, ce qui permet de retrouver des termes exacts tels que des codes produits que la recherche purement sémantique peut manquer.
• Nombre de résultats – Ajusté à l'aide d'un jeu d'évaluation. L'assistant récupère 25 passages et, après suppression des doublons et des fragments trop courts pour apporter du contexte, en injecte jusqu'à 15 dans le prompt. Ce nombre est le principal levier de coût, car il multiplie les tokens d'entrée à chaque question.
• Génération du prompt – Impose un ton corporate, exige la citation des sources et indique au modèle de signaler lorsque la réponse ne figure pas dans le contenu récupéré, ce qui réduit les hallucinations et ajoute la traçabilité.

En tant que contrôle de production, l'équipe ajoute Amazon Bedrock Guardrails pour appliquer le filtrage de contenu et les politiques d'IA responsable aux réponses générées.

• Évaluation – L'évaluation RAG native d'Amazon Bedrock, utilisant les retours pouce levé ou pouce baissé de l'utilisation réelle comme ensemble d'évaluation pour mesurer la qualité avant et après chaque changement.

Génération de la réponse

Pour la génération des réponses, IskayPet utilise un modèle de fondation économique sur Amazon Bedrock. Comme la base de connaissances dissocie la récupération de la génération, IskayPet peut changer ou mettre à niveau le modèle de génération sans toucher aux couches d'ingestion ou de récupération. Cela permet à l'équipe d'équilibrer coût et qualité des réponses à mesure que l'utilisation augmente.

Efficacité des coûts

La base de connaissances inclut l'analyse multimodale, la génération d'embeddings et le reranking sans frais supplémentaires, de sorte que le coût continu d'IskayPet provient principalement du stockage de l'index, des appels à l'API de récupération et des tokens du modèle de génération. En production, ce sont les tokens d'entrée qui dominent ce coût, en raison des passages injectés dans chaque prompt. L'équipe évalue d'autres optimisations à mesure que l'utilisation croît, notamment le prompt caching pour la partie stable du prompt et l'inférence par lot pour les charges de travail non interactives.

Résultats

Au cours des deux premiers mois environ en production, IskayPet a constaté :

• Des réponses plus rapides – Le temps nécessaire pour trouver une réponse opérationnelle est passé de 3 à 5 minutes à environ 7 secondes.
• Une productivité accrue – Environ 95 % de temps en moins consacré à la recherche de procédures et de politiques.
• L'évolutivité – La solution devrait traiter environ 100,000 requêtes par mois dans l'ensemble des secteurs d'activité et des pays.

Conclusion

IskayPet a construit un assistant de connaissances d'entreprise en production sur Amazon Bedrock Managed Knowledge Bases qui dessert trois pays, quatre langues et plusieurs secteurs d'activité, sans infrastructure RAG à gérer. Le connecteur SharePoint natif a réutilisé leurs dépôts existants. Une base de connaissances dédiée par assistant leur a donné une conception multi-pays propre avec chaque domaine isolé de bout en bout. L'analyse, la génération d'embeddings et le reranking gérés ont maintenu à la fois l'effort opérationnel et le coût à un niveau bas. Construire le frontend et l'architecture AWS avec Kiro et Claude Haiku 4.5 permet à une petite équipe d'atteindre rapidement la production.

Si vous êtes confronté à un défi similaire de récupération de connaissances, vous pouvez commencer avec le niveau gratuit d'AWS et créer votre première base de connaissances sur la console Amazon Bedrock. Pour approfondir, consultez les ressources suivantes et essayez le connecteur SharePoint et le contrôle d'accès au niveau des documents sur vos propres documents.

Pour en savoir plus, voir Amazon Bedrock Managed Knowledge Base et Évaluez les performances des sources RAG à l'aide des évaluations Amazon Bedrock.

À propos des auteurs