S3rpent – AI Legal Document Analyzer

Inspiration

Évaluer rapidement l’impact d’une nouvelle loi ou d’un rapport financier sur un portefeuille boursier peut être complexe et chronophage. Les analystes doivent parcourir de longues pages pour identifier les risques et opportunités, ce qui prend beaucoup de temps et peut entraîner des erreurs.

Avec les avancées de l’intelligence artificielle et des architectures RAG, nous avons vu une opportunité de révolutionner l’analyse documentaire. S3rpent transforme les documents financiers et législatifs complexes en insights exploitables et permet une interaction conversationnelle avec les données, offrant ainsi un gain de temps et une précision accrue dans l’évaluation des risques.

Ce que fait S3rpent

S3rpent permet aux utilisateurs de téléverser des documents volumineux tels que des rapports financiers, des projets de loi ou des rapports SEC et de générer automatiquement un rapport exécutif clair. Ce rapport met en évidence les zones de risque, les métriques clés et l’impact potentiel sur le portefeuille, tout en fournissant des recommandations de pondération adaptées.

L’outil inclut également un chatbot basé sur RAG qui permet d’interagir en langage naturel avec les données. Les utilisateurs peuvent ainsi poser des questions sur des points précis des documents ou du portefeuille, et obtenir des réponses contextualisées et exploitables.

Comment nous l’avons construit

S3rpent repose sur un frontend Next.js et un backend Flask, entièrement intégrés dans l’écosystème AWS. L’infrastructure cloud comprend des services tels que Lambda, S3, Step Functions, DynamoDB, Elastic Beanstalk, ainsi qu’Amazon Bedrock pour les LLMs et l’Agent Core, avec gestion via IAM et une base de connaissances AWS.

Lorsqu’un utilisateur téléverse un document, celui-ci est nettoyé, segmenté en fragments et traité en parallèle via une machine d’états orchestrée par Step Functions. Chaque fragment est analysé par un LLM pour extraire impacts, métriques et risques. Les résultats sont ensuite agrégés pour former un rapport complet, puis synthétisés en un résumé filtré et pertinent. Enfin, les données sont comparées au portefeuille stocké dans DynamoDB pour générer des recommandations personnalisées.

La fonctionnalité RAG est créer a l'aide du AWS Knowledge Base.

Défis rencontrés

• La gestion de documents volumineux tout en maintenant des performances rapides sur Lambda et Step Functions a été un défi majeur.
• Concevoir un pipeline entièrement serverless, fiable et automatisé a nécessité de multiples itérations pour optimiser la performance et la stabilité.

Réalisations dont nous sommes fiers

Nous avons conçu une architecture de pipeline de données 100 % AWS serverless et scalable, capable de fournir à la fois des insights exploitables et des interactions conversationnelles avec les données. Le pipeline RAG peut traiter des documents volumineux et générer des rapports clairs et synthétiques, offrant un véritable outil stratégique pour l’analyse des portefeuilles.

Ce que nous avons appris

Nous avons compris l’importance de bien découper les documents pour permettre un traitement parallèle efficace, ainsi que les subtilités liées à la gestion des Lambda et Step Functions pour un pipeline fiable. Nous avons également appris comment créer une expérience utilisateur fluide même pour des analyses complexes.

Prochaines étapes pour S3rpent

Dans le futur, nous envisageons d’intégrer des visualisations graphiques pour mieux illustrer les tendances et corrélations, d’optimiser le RAG et les embeddings pour des réponses plus rapides et précises, et d’explorer des modèles prédictifs afin d’anticiper les impacts futurs sur les portefeuilles.

Built With

• amazon-bedrock-(llms-+-agent-core)
• amazon-web-services
• aws-knowledge-base
• aws-lambda
• dynamodb
• elastic-beanstalk
• flask
• iam
• langchain
• next.js
• openai-api
• step-functions