📊 Assistant IA Multi-Agents — Analyse Financière

---

📖 Description

Assistant IA Multi-Agents — Analyse Financière est une application web développée avec Streamlit qui analyse automatiquement des rapports financiers PDF grâce à une architecture multi-agents basée sur LangGraph, LangChain, RAG et ChromaDB.

L'application permet à un utilisateur de téléverser un rapport financier PDF ou de sélectionner l’un des rapports d’exemple intégrés pour obtenir une analyse structurée des risques et une synthèse managériale.

L’objectif du projet est de démontrer une architecture IA modulaire proche d’un cas d’usage professionnel : extraction documentaire, recherche sémantique, analyse par LLM, génération de synthèse et interface web utilisable.

ℹ️ Démo en ligne : Vous pouvez tester directement l'application sans installation ici : https://multiagent-financial-analyzer.streamlit.app/

---

📸 Aperçu de l'interface

Interface Streamlit avec sélection de langue, rapports préchargés, import PDF et compteur en temps réel pendant l’analyse.

---

✨ Fonctionnalités clés

• 🤖 Architecture multi-agents avec LangGraph Le traitement est séparé entre plusieurs agents spécialisés : extraction documentaire, analyse des risques et rédaction de synthèse.

• 📄 Analyse de rapports financiers PDF L’utilisateur peut importer son propre fichier PDF directement depuis l’interface.

• 📊 Rapports préchargés Trois exemples de rapports financiers sont intégrés : BioSensus, TechNova et OmniDrive. Cela permet de tester l’application immédiatement sans chercher de fichier externe.

• 🌍 Interface bilingue français / anglais L’utilisateur peut changer la langue de l’interface en un clic.

• ⏱️ Compteur en temps réel Un indicateur affiche le temps estimé et le temps écoulé pendant l’exécution des agents.

• 🧠 Pipeline RAG avec ChromaDB Le contenu du PDF est découpé en morceaux, indexé et réutilisé comme contexte pour améliorer la qualité de l’analyse.

• 🐳 Support Docker Le projet contient un Dockerfile permettant de lancer l’application dans un conteneur portable.

---

🧠 Architecture du système

L’application repose sur une architecture en trois agents :

1. Agent Extracteur

L’agent extracteur lit le rapport PDF, extrait le texte, le découpe en segments et prépare les données pour la recherche sémantique.

Technologies principales :

• PyPDFLoader
• RecursiveCharacterTextSplitter
• ChromaDB

2. Agent Analyste

L’agent analyste réalise une analyse des risques financiers, stratégiques, opérationnels et réglementaires à partir du contexte extrait via le pipeline RAG.

Il identifie notamment :

• les risques financiers ;
• les incohérences potentielles ;
• les dépendances économiques ;
• les risques opérationnels ;
• les signaux faibles utiles pour un décideur.

3. Agent Rédacteur

L’agent rédacteur transforme l’analyse brute en synthèse claire et structurée pour un lecteur non technique ou un dirigeant.

Il produit une restitution plus lisible, orientée décision, avec un langage simple et professionnel.

---

🔁 Flux de traitement

PDF utilisateur ou rapport préchargé
        ↓
Agent Extracteur
        ↓
Extraction du texte + découpage en chunks
        ↓
Indexation dans ChromaDB
        ↓
Agent Analyste
        ↓
Analyse des risques financiers
        ↓
Agent Rédacteur
        ↓
Synthèse managériale
        ↓
Affichage dans l’interface Streamlit

---

🛠️ Technologies utilisées

Technologie	Rôle
Python 3.14	Langage principal du projet
Streamlit	Interface web interactive
LangGraph	Orchestration des agents IA
LangChain	Intégration des LLM et composants RAG
ChromaDB	Base vectorielle pour la recherche sémantique
RAG	Recherche augmentée pour améliorer les réponses du modèle
Ollama	Exécution locale possible d’un modèle LLM
Groq API	Exécution cloud rapide du modèle LLM
Docker	Conteneurisation de l’application
VS Code	Environnement de développement

---

📂 Structure du projet

├── agents/                         # Agents IA spécialisés orchestrés par LangGraph
│   ├── __init__.py
│   ├── analyzer.py                 # Agent d'analyse des risques financiers
│   ├── extractor.py                # Agent d'extraction, chunking PDF et RAG
│   └── writer.py                   # Agent de rédaction de la synthèse managériale
│
├── assets/                         # Images et ressources visuelles du projet
│   └── 1dashboard.png              # Capture d'écran de l'interface
│
├── sample_reports/                 # Rapports PDF financiers d'exemple
│   ├── Rapport_Financier_Avance_OmniDrive.pdf
│   ├── Rapport_Financier_TechNova.pdf
│   └── Rapport_Performance_BioSensus_2025.pdf
│
├── utils/                          # Fonctions utilitaires partagées
│
├── .gitignore                      # Fichiers exclus du suivi Git
├── Dockerfile                      # Configuration Docker du projet
├── app.py                          # Interface utilisateur Streamlit
├── graph_builder.py                # Construction et compilation du graphe LangGraph
├── README.md                       # Documentation principale du projet
└── requirements.txt                # Dépendances Python du projet

Les dossiers et fichiers locaux comme venv/, .env, .vscode/ et __pycache__/ ne doivent pas être envoyés sur GitHub.

---

🚀 Installation locale

1. Cloner le dépôt

git clone https://github.com/nicolbl95/MultiAgent-Financial-Analyzer.git
cd MultiAgent-Financial-Analyzer

2. Créer un environnement virtuel

python -m venv venv

3. Activer l’environnement virtuel

Sur Windows avec Git Bash :

source venv/Scripts/activate

Sur Windows avec PowerShell :

.\venv\Scripts\Activate.ps1

Sur macOS ou Linux :

source venv/bin/activate

4. Installer les dépendances

pip install -r requirements.txt

5. Lancer l’application

streamlit run app.py

L’application sera disponible localement à l’adresse :

http://localhost:8501

---

🔐 Configuration des variables d’environnement

Si vous utilisez Groq API, créez un fichier .env à la racine du projet :

GROQ_API_KEY=votre_cle_api_ici

⚠️ Le fichier .env ne doit jamais être envoyé sur GitHub.

Il doit être présent dans .gitignore :

.env
venv/
__pycache__/
*.pyc
.vscode/

---

🐳 Utilisation avec Docker

Le projet contient un Dockerfile permettant de lancer l’application dans un conteneur.

1. Construire l’image Docker

docker build -t financial-analyzer .

2. Lancer le conteneur

docker run -p 8501:8501 financial-analyzer

L’application sera disponible à l’adresse :

http://localhost:8501

Dockerfile utilisé

# Image Python légère
FROM python:3.14-slim

# Empêche Python de créer des fichiers .pyc
ENV PYTHONDONTWRITEBYTECODE=1

# Affiche immédiatement les logs dans Docker
ENV PYTHONUNBUFFERED=1

# Dossier de travail
WORKDIR /app

# Copier les dépendances
COPY requirements.txt .

# Installer les dépendances
RUN pip install --upgrade pip && \
    pip install --no-cache-dir -r requirements.txt

# Copier le projet
COPY . .

# Port Streamlit
EXPOSE 8501

# Lancer l'application
CMD ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

---

📦 Fichier .dockerignore recommandé

Pour éviter de copier des fichiers inutiles ou sensibles dans l’image Docker, il est recommandé de créer un fichier .dockerignore :

venv/
__pycache__/
.git/
.gitignore
.env
.vscode/
*.pyc

Cela permet de garder l’image Docker plus légère et plus sécurisée.

---

🌐 Démo en ligne

L’application est déployée avec Streamlit Community Cloud :

https://multiagent-financial-analyzer.streamlit.app/

Cette démo permet de tester le projet sans installation locale.

---

🧪 Exemples inclus

Le dossier sample_reports/ contient trois rapports financiers de démonstration :

Rapport	Description
BioSensus 2025	Rapport de performance financière
TechNova	Rapport financier d’une entreprise technologique fictive
OmniDrive	Rapport financier avancé d’une entreprise fictive

Ces fichiers permettent de tester rapidement le fonctionnement de l’application.

---

⚠️ Limites actuelles

• L’application fonctionne mieux avec des PDF contenant du texte sélectionnable.
• Les PDF scannés ou sous forme d’image peuvent nécessiter un OCR.
• Les analyses générées par IA peuvent contenir des erreurs.
• Les résultats doivent être considérés comme une aide à l’analyse, et non comme un conseil financier professionnel.
• La qualité des réponses dépend de la qualité du rapport PDF fourni.

---

🔮 Améliorations possibles

• Ajouter un OCR pour les PDF scannés.
• Ajouter une extraction automatique des tableaux financiers.
• Générer des graphiques financiers à partir des données extraites.
• Ajouter un export PDF ou Word de la synthèse.
• Ajouter des tests unitaires.
• Ajouter GitHub Actions pour automatiser les vérifications.
• Améliorer la mémoire entre agents.
• Ajouter une comparaison automatique entre plusieurs rapports financiers.
• Ajouter un mode d’analyse plus détaillé pour les investisseurs.

---

👨‍💻 Auteur

Projet développé par nicolbl95.

GitHub : https://github.com/nicolbl95

---

📄 Licence

Ce projet est publié à des fins d’apprentissage, de démonstration et de portfolio.

---

✅ Résumé

Ce projet démontre la mise en place d’une application IA complète combinant :

• interface web ;
• traitement de documents PDF ;
• architecture multi-agents ;
• RAG ;
• base vectorielle ;
• LLM local ou cloud ;
• conteneurisation Docker ;
• déploiement en ligne.

Il illustre une approche pratique de l’ingénierie LLM appliquée à l’analyse documentaire financière.