Imaginez un client qui visite le site d’un fabricant à la recherche d’un coffret en acier inoxydable d’une largeur maximale de 600 mm. L’information existe, mais elle est dispersée entre les pages produits, les tableaux de spécifications et les notices d’installation. Un chatbot Drupal construit sur vos contenus existants peut aider ce client à trouver les modèles pertinents et à comprendre leurs différences sans ouvrir chaque page.
C’est l’objectif: utiliser vos contenus existants pour répondre à des questions concrètes et guider les visiteurs vers une étape suivante utile. Un panier d’achat n’est pas nécessaire. Pour un fabricant, la destination peut être une page produit, un annuaire de distributeurs ou un échange avec l’équipe commerciale.
Les champs structurés de Drupal fournissent à l’assistant des faits qu’il peut retrouver et comparer. Transformer ces faits en réponses fiables demande un travail supplémentaire: des règles de recherche, des vérifications des sources, une interface sur le site et des tests qui reflètent les vraies questions des clients.
Dans cet article:
- Quelles questions les clients peuvent-ils poser à un chatbot produit basé sur Drupal?
- Quelles données Drupal l’assistant doit-il utiliser?
- Comment une question devient-elle une réponse étayée?
- Comment le chatbot crée-t-il des listes et des comparaisons de produits?
- Comment l’interface de chat se connecte-t-elle au site?
- Comment garder des réponses à jour et dignes de confiance?
- Qu’illustre le projet ProjektMagazin?
Quelles questions les clients peuvent-ils poser à un chatbot produit basé sur Drupal?
Partez des questions que les clients posent déjà à vos équipes commerciales et support. Ils veulent généralement trouver quelque chose, confirmer un détail ou comprendre une différence.
Pour notre fabricant fictif, voici des questions utiles:
- “Quels modèles ne dépassent pas 600 mm de largeur?”
- “En quoi ces deux modèles diffèrent-ils?”
- “Ce coffret existe-t-il en acier inoxydable?”
- “Où trouver la notice d’installation?”
Une réponse utile donne une information directe, identifie les produits et spécifications pertinents et renvoie vers les pages sources. Les clients peuvent ainsi vérifier les détails eux-mêmes ou partager une page produit avec un collègue.
Certaines questions demandent une précision. Si quelqu’un cherche un coffret “adapté à un usage extérieur”, l’assistant devra peut-être demander l’environnement ou l’indice de protection requis. Il peut indiquer un indice documenté; une aptitude qui dépasse cette preuve demande une évaluation distincte.
Le rôle de l’assistant est de rendre l’information documentée plus facile à utiliser. Lorsque les faits disponibles ne permettent pas de recommander un produit, une question de précision ou un renvoi vers l’équipe commerciale technique servira mieux le client qu’une supposition affirmée avec assurance.
Quelles données Drupal l’assistant doit-il utiliser?
Des données produits claires réduisent l’ambiguïté avant même que le modèle de langage ne commence à rédiger une réponse.
Pour cet assistant de catalogue proposé, les données sources comprendraient:
| Données | Utilisation par l’assistant |
|---|---|
| Identifiants et noms de produits stables | Identifier le bon produit à travers les pages, les documents et les questions de suivi |
| Descriptions et taxonomie des familles de produits | Trouver les catégories pertinentes et expliquer les usages prévus |
| Spécifications typées, avec unités | Appliquer des limites numériques et comparer des attributs |
| Relations entre variantes | Garder ensemble les dimensions, matériaux et indices de chaque variante |
| Documents associés | Retrouver la notice ou la fiche technique du produit choisi |
| URL canoniques des pages | Envoyer les visiteurs vers les pages correspondantes du site |
Une largeur cachée dans un PDF est plus difficile à exploiter de manière fiable qu’un champ numérique explicite avec une unité connue. Le PDF peut toujours apporter des explications utiles, tandis que le champ permet un filtre exact.
Les relations comptent tout autant. Si une variante est en acier inoxydable et qu’une autre mesure 580 mm de large, l’assistant ne peut pas combiner ces faits en un produit qui n’existe pas.
Gardez un modèle de données rigoureux. Normalisez les unités, utilisez des termes contrôlés pour les matériaux et les familles, et distinguez les spécifications manquantes des valeurs confirmées. Les champs structurés rendent les faits disponibles; ils ne rendent pas automatiquement une réponse correcte.
Pour approfondir la modélisation de ces fiches produits, lisez Un catalogue produits Drupal sans Commerce: les données d’abord et Drupal Content Modeling pour l’answer coverage: champs, pas prose.
Comment une question devient-elle une réponse étayée?
La génération augmentée par récupération, ou RAG (Retrieval-Augmented Generation), consiste à trouver les informations sources pertinentes avant de demander à un modèle de langage de rédiger une réponse. Au lieu de s’appuyer sur les connaissances générales du modèle, l’assistant reçoit des preuves issues de vos contenus validés.
Pour le fabricant fictif, un déroulement possible ressemblerait à ceci:
- Interpréter la question. Identifier la famille de produits, les attributs demandés, les limites numériques et toute ambiguïté.
- Récupérer les données autorisées. Rechercher dans les contenus explicatifs et interroger les attributs produits structurés.
- Vérifier les sources. Confirmer que les preuves concernent les bons produits, les bonnes variantes et la bonne langue.
- Rédiger la réponse. Expliquer les correspondances à partir des faits récupérés.
- Vérifier la réponse. S’assurer que ses affirmations et ses liens découlent de ces faits.
Une option de mise en œuvre utiliserait les API de Drupal, un service de recherche côté backend et un index qui stocke le texte avec des métadonnées structurées. La documentation JSON:API de Drupal décrit sa base d’API orientée entités. Le projet devrait tout de même configurer les accès, choisir les champs et les relations, et construire l’indexation et la recherche.
Des questions différentes demandent des méthodes de recherche différentes. La recherche sémantique peut aider à trouver un passage sur les distances de montage. Une largeur maximale de 600 mm relève d’un filtre numérique. Un identifiant produit exact demande une recherche exacte.
Pour les informations qui changent plus vite qu’un index ne peut être actualisé de manière fiable, le backend interrogerait la source de référence avant de répondre.
Un exemple d’échange
L’exemple suivant utilise des noms de produits et des spécifications fictifs:
Client: Quels coffrets en acier inoxydable ne dépassent pas 600 mm de largeur?
Assistant: Deux options de cette sélection répondent à ces critères: le modèle A mesure 550 mm de large et le modèle B 600 mm. Les deux indiquent l’acier inoxydable comme matériau. Avez-vous une profondeur maximale ou un indice de protection requis?
L’interface associerait à chaque modèle le lien vers sa page produit. Elle présenterait ces résultats comme une sélection, sauf si une requête filtrée exhaustive établissait qu’il s’agit de tous les produits correspondants.
Cette approche sépare deux tâches: la recherche établit les faits, le modèle les explique.
Comment le chatbot crée-t-il des listes et des comparaisons de produits?
Une sélection utile évite aux clients d’appliquer des filtres et d’ouvrir des pages à répétition. Pour la produire, l’assistant doit traduire la demande en conditions explicites.
Par exemple, “Montrez-moi des coffrets muraux en acier inoxydable jusqu’à 600 mm de large” contient trois contraintes:
- Famille de produits: coffrets muraux.
- Matériau: acier inoxydable.
- Largeur: inférieure ou égale à 600 mm.
Le service de recherche appliquerait ces conditions à des champs normalisés. L’assistant pourrait ensuite résumer les produits correspondants et poser des questions sur les critères de sélection restants.
Une vue comparative rend les preuves plus faciles à parcourir. Avec des données fictives, elle pourrait ressembler à ceci:
| Produit | Matériau | Largeur | Profondeur | Lien source dans l’interface |
|---|---|---|---|---|
| Modèle A | Acier inoxydable | 550 mm | 250 mm | Page produit du modèle A |
| Modèle B | Acier inoxydable | 600 mm | Inconnue | Page produit du modèle B |
“Inconnue” est une information utile. Elle montre au client où s’arrête la comparaison. L’assistant peut proposer la documentation ou suggérer de faire confirmer la dimension manquante par l’équipe commerciale.
Une sélection et une liste exhaustive de résultats sont deux promesses différentes. La recherche sémantique renvoie souvent un ensemble limité de correspondances pertinentes. Pour annoncer “tous les produits correspondants”, le système a besoin d’une requête structurée exhaustive, avec pagination et traitement cohérent des valeurs manquantes.
Le classement doit aussi reposer sur une base claire. Si les résultats vont du plus étroit au plus large, dites-le. Si une spécification requise manque, ne traitez pas ce produit en silence comme une correspondance confirmée. Qualifier un choix de “meilleur” exige des critères client et des preuves qui justifient ce jugement.
Comment l’interface de chat se connecte-t-elle au site?
Les clients ont besoin d’un endroit pratique pour poser leur question. Dans cette mise en œuvre proposée, il peut s’agir d’un widget de chat sur les pages catalogue ou d’une page dédiée à l’assistant dans le frontend Drupal.
Le navigateur enverrait les questions à un service backend. Ce service gérerait la recherche, les requêtes au modèle, les contrôles d’autorisation et la préparation des réponses. Les identifiants d’API et les accès privilégiés aux sources resteraient côté backend.
Le frontend ferait plus qu’afficher des paragraphes. Les éléments utiles comprennent des fiches produits cliquables, des liens sources, des suggestions de questions de suivi et un accès clair à un interlocuteur humain. Les états de chargement et d’erreur comptent aussi: un visiteur doit savoir si l’assistant cherche encore ou n’a pas pu traiter la demande.
L’accessibilité fait partie du périmètre initial. Prévoyez la navigation au clavier, un comportement de focus clair, des contrôles étiquetés et l’accès des lecteurs d’écran aux nouvelles réponses. Sur mobile, vérifiez que le widget ne masque pas les spécifications et que les liens produits restent faciles à toucher.
Conservez la navigation habituelle. L’assistant peut compléter les listes du catalogue, les filtres et la recherche du site, pour que les clients choisissent le chemin qui leur convient. Une plateforme e-commerce n’est pas un prérequis.
Comment garder des réponses à jour et dignes de confiance?
La confiance se joue après le lancement. Les rédacteurs corrigeront des spécifications, les produits évolueront et des documents disparaîtront. L’assistant doit suivre ces changements sans obliger les visiteurs à deviner quelle version ils lisent.
Définir la fraîcheur autour du travail éditorial
Fixez un objectif mesurable pour le délai de mise à disposition des modifications publiées dans l’assistant, puis surveillez-le. L’intervalle approprié dépend du contenu et du risque de donner une réponse obsolète.
Un avertissement d’installation peut exiger un traitement plus strict qu’une introduction produit réécrite. Lorsque des informations retardées seraient inacceptables, interrogez directement la source de référence ou suspendez temporairement la réponse concernée.
Le plan de mise en œuvre doit couvrir tout le cycle de vie des contenus:
- Publication et mise à jour des contenus.
- Dépublication et suppression des contenus.
- Relance des tâches d’indexation en échec et alerte de l’équipe.
- Invalidation des caches de recherche et de réponses concernés.
- Détection des enregistrements obsolètes et réconciliation de l’index avec Drupal.
Les rédacteurs ont aussi besoin de visibilité. Une synchronisation en échec ne devrait pas rester invisible jusqu’à ce qu’un client signale une ancienne spécification.
Nous décrivons une manière de procéder dans Synchronisation des données en temps réel pour RAG: comment maintenir la fraîcheur des connaissances de votre chatbot IA. Si vous mettez des réponses en cache, Comment accélérer les réponses du chatbot IA avec la mise en cache intelligente traite de l’invalidation.
Vérifier les preuves avant et après la génération
Deux contrôles détectent des problèmes différents.
D’abord, un contrôle de pertinence des sources peut écarter les passages récupérés qui concernent le mauvais produit, la mauvaise variante, la mauvaise langue ou un autre sujet. Ensuite, un contrôle de justification de la réponse peut signaler les affirmations que les sources retenues n’établissent pas, notamment des chiffres erronés ou des liens qui ne correspondent pas.
Ces contrôles ont besoin de leurs propres tests. Un modèle d’évaluation peut se tromper, donc utilisez une validation déterministe lorsque c’est possible, en particulier pour les identifiants, les contraintes numériques et les URL.
Pour un exemple concret d’évaluation des sources, lisez Comment nous avons amélioré la précision du chatbot RAG de 40% grâce à l’évaluation de documents.
La taille des fragments de texte (chunks) mérite aussi votre attention. Un fragment très court peut séparer une spécification du nom de sa variante. Un fragment long peut mélanger plusieurs produits et introduire des faits sans rapport. Testez des fragments qui gardent ensemble les sections cohérentes, portent les métadonnées produit et préservent les relations, plutôt que de choisir une taille par habitude.
Protéger les accès et limiter les actions
Appliquez les autorisations du visiteur pendant la recherche et avant de livrer la réponse. Les entrées de cache ont aussi besoin de limites d’accès adaptées, afin que la réponse donnée à un visiteur n’expose pas d’informations restreintes à un autre.
Traitez le texte récupéré comme une preuve, pas comme une instruction. Une phrase dans un document indexé ne doit ni autoriser un appel d’outil ni modifier les règles d’accès de l’assistant.
Pour ce cas d’usage catalogue, gardez l’assistant en lecture seule. Toute action future, comme l’envoi d’une demande, nécessiterait des autorisations, une validation et une confirmation utilisateur conçues séparément.
Mesurer les questions que les clients posent réellement
Constituez un jeu de tests avant le déploiement. Incluez des demandes ordinaires et des cas difficiles:
- Noms de produits similaires et variantes très proches.
- Limites numériques et conversions d’unités.
- Spécifications manquantes ou contradictoires.
- Demandes portant sur tous les produits correspondants.
- Questions auxquelles les sources ne permettent pas de répondre.
- Documents retirés et liens cassés.
- Tentatives d’accès à des contenus restreints.
Suivez l’exactitude factuelle, le respect des contraintes, la précision des liens sources, le temps de réponse et la capacité de l’assistant à reconnaître des preuves insuffisantes.
Pour comprendre ce qui fonctionne, comparez des configurations de recherche en gardant le même modèle et les mêmes questions de test. Testez l’indexation du texte seul face à l’indexation avec métadonnées structurées, puis évaluez l’effet des contrôles des sources et des réponses. Vous verrez ainsi si les gains viennent de la conception des contenus et de la recherche plutôt que d’un changement de modèle.
Qu’illustre le projet ProjektMagazin?
Le chatbot documentaire IA pour ProjektMagazin.de réalisé par Droptica illustre le schéma général d’un assistant alimenté par Drupal, avec des sources contextuelles et une interface sur le site. L’étude de cas décrit une plateforme de connaissances en gestion de projet qui utilise des API JSON pour l’indexation, des métadonnées comme la taxonomie et les informations sur les auteurs, l’évaluation de la pertinence, la synchronisation des contenus et une interface de chat sur mesure intégrée à Drupal. L’assistant de catalogue décrit ici est une application proposée de ce schéma; l’étude de cas porte sur un autre usage des contenus.
Prêt à commencer?
Commencez par une famille de produits et les questions que les clients posent le plus souvent. Vous disposerez ainsi d’un moyen maîtrisable de vérifier si l’assistant trouve les bons faits, les explique clairement et oriente les visiteurs vers des pages utiles.
Apportez votre modèle de produits Drupal et un échantillon de ces questions à un échange avec Droptica. Ensemble, nous définirons un pilote couvrant la recherche, des liens sources fiables, l’interaction frontend et la précision mesurée des réponses. Vous aurez des éléments concrets pour décider de l’étape suivante avant d’étendre l’assistant à tout le catalogue. Découvrez notre service de chatbot IA pour Drupal.
