Agent RAG pour analyser les résultats financiers d'entreprises

Agent RAG pour analyser les résultats financiers d’entreprises

NEOPOLIS AKADEMY

Agent RAG pour analyser les résultats financiers d'entreprises

TP avancé pour analystes financiers : construire un agent RAG pour analyser résultats financiers d'entreprises. Utilise n8n pour orchestrer GPT/Gemini, Pinecone pour vecteurs et Google Docs pour restitutions, avec jeux de données fictifs et validation humaine.

Découvrir cette formation sur Akademy ↗

Les inscriptions et les modalités pratiques sont disponibles sur Neopolis Akademy.

Agent RAG pour analyser les résultats financiers d'entreprises

Ce que vous allez découvrir

TP avancé pour analystes financiers : construire un agent RAG pour analyser résultats financiers d'entreprises. Utilise n8n pour orchestrer GPT/Gemini, Pinecone pour vecteurs et Google Docs pour restitutions, avec jeux de données fictifs et validation humaine.

Conçu pour analystes financiers et BI finance, ce TP couvre la mise en place d'un agent Retrieval-Augmented Generation (RAG) pour l'analyse de rapports financiers.

Architecture : ingestion de documents, indexation vectorielle sur Pinecone, requêtes via GPT/Gemini orchestrées par n8n, restitution dans Google Docs.

Travail sur jeux de données fictifs avec contrôles et étapes de validation humaine pour garantir qualité des interprétations.

PAS À PAS

Le programme de la formation

01Agent RAG pour analyser les résultats financiers d'entreprises

TP dédié à la construction d’un agent RAG pour analyser des résultats financiers : intégration de sources, vectorisation avec Pinecone, orchestration n8n et synthèse via GPT/Gemini dans Google Docs. Le parcours couvre préparation, montage progressif et contrôles de sécurité.

Objectif : créer un agent RAG capable d’ingérer documents financiers, d’indexer et de produire analyses consolidées.

Préparer Pinecone, accès aux modèles (GPT/Gemini), n8n et Google Docs pour sortie textuelle.

Construire progressivement les pipelines : extraction, embeddings, recherche contextuelle et requêtage du modèle.

Checkpoint sécurité : contrôle des accès aux données sensibles et des appels API.

Voir ce module sur Akademy ↗

Source du programme : Neopolis Akademy. Fiche d’origine