Face à une base de données massive – 25 millions de lignes, plusieurs dizaines de tables aux relations complexes, plus de 1400 règles de sécurité (rls) – l'approche Copilot avec Microsoft Fabric (native dans Power BI) était insuffisante car non-déterministe par construction. Ainsi, plutôt que de s’appuyer sur des générateurs de requêtes peu fiables, nous avons conçu une architecture à double détente : 1. Un premier filtre intelligent pour orienter la demande vers le bon domaine (dictionnaire de 35+ Knowledge Units). 2. Une réponse déterministe, via une surcouche API intermédiaire pour encapsuler les règles métier et garantir la fiabilité des résultats. Et aussi... des Knowledge Units pour guider l’intelligence. Pour pallier la nature non déterministe des modèles de langage, nous avons en effet développé une méthode d’injection de connaissances ciblées directement dans les prompts. Organisées par tags, ces Knowledge Units permettent à l’agent de comprendre finement les intentions de l’utilisateur et de construire des requêtes précises, sans approximation.