Discutez directement avec vos données et recevez des rapports instantanées
Système de RAG orchestré par Agent IA destiné au requêtage des bases de données
Les équipes média passent des heures à formuler des requêtes SQL pour extraire des données de planification TV.
Chaque question nécessite une connaissance approfondie du schéma, des jointures entre dizaines de tables et des règles métier complexes.
Résultat : un goulot d’étranglement entre le besoin business et la donnée. Les analystes sont surchargés, les décideurs attendent.
pubGPT supprime cette barrière. Une question en français suffit pour interroger la base, obtenir des tableaux, des graphiques et des plans de suivi complets — sans écrire une seule ligne de SQL.
Remplacer le circuit ticket → analystes → allers-retours par un accès direct à la donnée.
L’utilisateur pose sa question en français, pubGPT s’occupe du reste.
Plus de backlog, plus d’attente. Le pipeline multi-agents identifie les bonnes tables, génère le SQL, exécute la requête et restitue la réponse — en ~20 secondes.
Une interface conversationnelle qui transforme vos questions en requêtes SQL, affiche les résultats sous forme de graphiques et vous laisse explorer le schéma librement.
| Année | CA Brut | CA Net | Spots | GRP | Coût/GRP | PDM | Évol. |
|---|---|---|---|---|---|---|---|
| 2023 | 18.6 M€ | 12.4 M€ | 1 247 | 842 | 14 726 € | 8.2% | — |
| 2024 | 23.1 M€ | 15.8 M€ | 1 584 | 1 063 | 14 863 € | 9.1% | +27% |
| 2025 | 26.8 M€ | 18.2 M€ | 1 810 | 1 198 | 15 192 € | 9.8% | +15% |
| 2026 | 32.4 M€ | 22.1 M€ | 2 156 | 1 402 | 15 763 € | 11.3% | +21% |
Chaque réponse est accompagnée de la requête SQL sous-jacente. Vous gardez un contrôle total sur ce qui est exécuté.
Générez automatiquement des visualisations à partir de vos requêtes. Barres, courbes, camemberts — les résultats prennent forme instantanément.
Exportez vos résultats dans le format de votre choix. Tableaux Excel, rapports PDF, présentations PowerPoint, données brutes en CSV ou JSON — un clic suffit pour partager vos analyses.
Suivi en temps réel de la consommation de tokens par requête. Les seuils visuels alertent avant d’atteindre les limites du modèle.
Historique structuré de toutes les sessions. Retrouvez, poursuivez ou archivez vos échanges avec la base de données.
Contrôlez l’accès au système par niveau : administrateur, éditeur ou lecteur. Chaque rôle définit les actions autorisées.
pubGPT repose sur un pipeline multi-agents où chaque agent est spécialisé dans une tâche précise. Aucun agent ne voit l’ensemble — c’est leur orchestration qui produit la réponse.
Chaque brique a été choisie pour sa robustesse en production. Survolez un élément pour découvrir son rôle dans le pipeline.
Interface utilisateur construite avec Angular 18 et les signaux réactifs. Composants standalone, streaming SSE pour les réponses en temps réel, et un design system sur mesure avec des animations CSS fluides.
Trois modèles spécialisés, chacun assigné à ce qu’il fait de mieux.
Pilote le pipeline multi-agents. Analyse la complexité de la question, décide du plan d’exécution et coordonne les étapes jusqu’à la réponse finale.
Génère les requêtes SQL Oracle à partir du contexte enrichi et alimente les agents de contrôle — BoundCheck, PreFlight et validation syntaxique.
Modèle français finetuné sur notre corpus métier. Réordonne les tables candidates par pertinence sémantique pour maximiser la précision du contexte envoyé au générateur SQL.
La sécurité est au cœur de l’architecture. Les données ne quittent jamais le périmètre de l’entreprise et chaque requête est contrôlée avant exécution.
Chaque question traverse un pipeline multi-agents avant de devenir une requête SQL. Voici le parcours complet, de l’intent à la réponse.
| Brief | Spots | CA total | GRP moy. |
|---|---|---|---|
| Peugeot 208 | 1 247 | 3 842 100 € | 4.82 |
| Peugeot 3008 | 892 | 2 715 400 € | 5.14 |
| Peugeot e-308 | 634 | 1 923 700 € | 3.97 |
| Brief | Spots | CA total | GRP moy. |
|---|---|---|---|
| Peugeot 208 | 1 247 | 3 842 100 € | 4.82 |
| Peugeot 3008 | 892 | 2 715 400 € | 5.14 |
| Peugeot e-308 | 634 | 1 923 700 € | 3.97 |
Chaque requête, chaque appel LLM, chaque étape du pipeline est tracée, mesurée et visible en temps réel. Langfuse nous donne une observabilité complète sur les coûts, la latence, la qualité des réponses et le comportement des agents.
// ChatStreamingService.java // Chaque appel LLM est automatiquement tracé @Observe(name = "pipeline-execution") public Flux<String> streamChat(String question) { // 1. Bound Check Agent @Observe(name = "bound-check") BoundCheckResult bounds = boundCheckAgent .analyze(question); // 2. PreFlight Check Agent @Observe(name = "preflight-check") PreFlightResult preflight = preFlightAgent .validate(question, bounds); // 3. SQL Generator Agent @Observe(name = "sql-generation") String sql = sqlGeneratorAgent .generate(question, preflight); return executeAndStream(sql); }
Architecte du pipeline multi-agents et du backend Spring Boot. Responsable de l’intégration LLM, du streaming SSE et de l’orchestration bout-en-bout.
Garante de la vision produit et du cadrage fonctionnel. Traduit les besoins métier en spécifications claires et pilote les priorités du backlog.
Référent données et modèle Oracle. Conçoit les schémas analytiques, valide la cohérence SQL et structure les métadonnées du RAG.