🤖 ENIAD-ASSISTANT

ENIAD-ASSISTANT est un chatbot intelligent basé sur l'intelligence artificielle, conçu pour fournir des informations sur les études et les services scolaires à l'ENIAD (École Nationale d'Informatique et d'Analyse des Données). Il utilise des technologies de pointe comme RAG (Retrieval-Augmented Generation) pour offrir des réponses précises et contextuelles.

✨ Fonctionnalités principales

• 🎯 Réponses intelligentes : Utilise RAG pour des réponses précises basées sur les documents officiels de l'ENIAD
• 💬 Interface multimodale : Support texte et voix pour une interaction naturelle
• 🌐 Multilingue : Prise en charge du français et de l'anglais
• ⚡ Recherche vectorielle : Base de données vectorielle pour une recherche rapide et précise
• 🎨 Interface moderne : Interface web responsive développée avec Next.js
• 🐳 Déploiement facile : Containerisé avec Docker pour un déploiement simplifié
• 📊 Monitoring : Logs et métriques pour le suivi des performances

🏗️ Architecture

Le projet est structuré en plusieurs composants :

ENIAD-ASSISTANT/
├── RAG/                    # Système RAG (Retrieval-Augmented Generation)
│   ├── src/               # Code source du pipeline RAG
│   ├── data/              # Documents et données d'entraînement
│   └── app.py             # Application console RAG
├── app/                   # API Backend
│   ├── api/               # Endpoints API
│   └── admin/             # Interface d'administration
├── chatbot-ui/            # Interface utilisateur web
├── deploy_code/           # Scripts de déploiement
├── data/                  # Données FAQ et configurations
└── docker-compose.yml     # Configuration Docker

🚀 Installation et démarrage rapide

Prérequis

• Python 3.10+
• Node.js 18+
• Docker (optionnel)
• Git

1. Cloner le repository

git clone https://github.com/ennajari/ENIAD-ASSISTANT.git
cd ENIAD-ASSISTANT

2. Installation avec Docker (Recommandé)

# Démarrer tous les services
docker-compose up -d

# L'application sera accessible sur http://localhost:8501

3. Installation manuelle

Backend (RAG System)

# Installer les dépendances Python
pip install -r requirements.txt
pip install -r RAG/requirements.txt

# Configurer les variables d'environnement
cp .env.example .env
# Éditer .env avec vos configurations

# Démarrer le système RAG
cd RAG
python app.py

Frontend (Interface Web)

# Installer les dépendances Node.js
cd chatbot-ui
npm install

# Démarrer le serveur de développement
npm run dev

# L'interface sera accessible sur http://localhost:3000

📖 Utilisation

Interface Console (RAG)

cd RAG
python app.py

Posez vos questions directement dans la console :

Posez votre question (ou tapez 'exit' pour quitter) : Quels sont les programmes d'études disponibles à l'ENIAD ?

Interface Web

1. Accédez à http://localhost:3000
2. Tapez votre question dans le chat
3. Obtenez des réponses instantanées basées sur les documents officiels

API REST

# Exemple d'appel API
curl -X POST http://localhost:8501/api/chat \
  -H "Content-Type: application/json" \
  -d '{"message": "Quels sont les frais de scolarité?"}'

🛠️ Configuration

Variables d'environnement

Créez un fichier .env à la racine du projet :

# Configuration LLM
OPENAI_API_KEY=your_openai_api_key
LLAMA_API_URL=your_llama_api_url

# Configuration Base de données
MONGODB_URI=mongodb://localhost:27017/eniad_assistant

# Configuration Application
ENV=development
PORT=8501

Personnalisation des données

1. Ajoutez vos documents dans RAG/data/
2. Modifiez les FAQ dans data/
3. Relancez l'indexation :

cd RAG/src
python create_index.py

🧪 Tests

# Tests Python
python -m pytest tests/

# Tests Frontend
cd chatbot-ui
npm test

🔧 Technologies utilisées

Backend

• Python 3.10+ : Langage principal
• LlamaIndex : Framework RAG pour l'indexation et la recherche
• OpenAI API : Modèles de langage pour la génération de réponses
• MongoDB : Base de données pour le stockage des conversations
• Docker : Containerisation et déploiement

Frontend

• TypeScript : Typage statique
• Tailwind CSS : Framework CSS utilitaire
• React Hot Toast : Notifications utilisateur

DevOps & Déploiement

• Docker Compose : Orchestration des services
• Jenkins : CI/CD pipeline
• Modal : Déploiement cloud des modèles LLM
• Git : Contrôle de version

🔐 Sécurité

• Authentification : Système d'authentification sécurisé
• Validation des entrées : Sanitisation des données utilisateur
• Rate limiting : Protection contre les abus
• Logs de sécurité : Monitoring des activités suspectes
• Variables d'environnement : Gestion sécurisée des secrets

📈 Monitoring et Analytics

• Logs structurés : Suivi détaillé des interactions
• Métriques de performance : Temps de réponse, taux de succès
• Analytics utilisateur : Statistiques d'utilisation anonymisées
• Health checks : Surveillance de l'état des services

🌍 Déploiement en production

Avec Docker Compose

# Production
docker-compose -f docker-compose.prod.yml up -d

Variables d'environnement de production

ENV=production
DEBUG=false
ALLOWED_HOSTS=your-domain.com
DATABASE_URL=your-production-db-url
REDIS_URL=your-redis-url

Scaling

# Scaler les services
docker-compose up -d --scale web=3 --scale worker=2

� Métriques de performance

• ✅ Précision des réponses : >90%
• ✅ Temps de réponse : <2 secondes
• ✅ Disponibilité : 99.9%
• ✅ Support multilingue : Français, Anglais

🔄 Phases de développement

• Phase 1 : Collecte des données et analyse des besoins
• Phase 2 : Conception du prototype et développement de la base de données
• Phase 3 : Développement de l'interface utilisateur et intégration avec le modèle
• Phase 4 : Tests et optimisation des performances
• Phase 5 : Livraison finale et documentation complète

🤝 Contribution

Les contributions sont les bienvenues ! Consultez CONTRIBUTING.md pour plus de détails.

1. Fork le projet
2. Créez votre branche feature (git checkout -b feature/AmazingFeature)
3. Committez vos changements (git commit -m 'Add some AmazingFeature')
4. Push vers la branche (git push origin feature/AmazingFeature)
5. Ouvrez une Pull Request

📄 Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.

👥 Équipe

• Développeur Principal :

• Ennajari Abdellah @ennajari
• Ourti Abdelilah @Abdelilah04116
• Oukacha Ahmed @Ahmed-oukacha
• Elhadji Oussama @Bosaj

• Institution : ENIAD (École Nationale de L'Intelligence Artificielle et du Digital de Berkane)

📞 Support

• 📧 Email : ai.ennajari@gmail.com
• 🐛 Issues : GitHub Issues
• 📖 Documentation : Wiki

🙏 Remerciements

• L'équipe pédagogique de l'ENIAD
• La communauté open source
• Tous les contributeurs du projet

jury :

Pr. Naoual Boukil          Présidente 
Pr. Asmae Bentaleb         Encadrante 

---

Développé pour la communauté ENIAD