Recherche sémantique dans le bot Telegram pour les communautés

# Bot Telegram avec recherche sémantique pour optimiser les communautés d'affaires

Dans une communauté de 120 entrepreneurs, trouver manuellement des experts prenait des heures, les inscriptions aux événements nécessitaient des allers-retours en messages privés, et les classements d'activité étaient suivis dans des tableurs. Ce bot Telegram boosté à l'IA élimine ces goulets d'étranglement : une recherche vectorielle sur les profils des membres trouve des spécialistes par intention de requête en quelques secondes, les classements se mettent à jour automatiquement, et l'inscription aux événements se fait en un clic. Le système utilise FAISS pour le stockage vectoriel et GPT pour la structuration du texte, offrant des résultats précis sans dépendre des mots-clés.

Les douleurs de croissance : trois goulets d'étranglement majeurs

À mesure que la communauté grandissait, ces problèmes systémiques sont apparus :

• Recherche d'experts : Impossible de se souvenir de plus de 100 spécialisations. Les requêtes en chat comme « quelqu'un en logistique ? » se perdaient dans le flot, et la bonne personne ne les voyait jamais.
• Gestion d'événements : 5 à 7 heures par semaine sur les listes, rappels et ajustements. Ça ne tenait pas la route à l'échelle.
• Suivi d'activité : Les tableurs manuels ne capturaient que les « mercis » évidents, passant à côté des vraies contributions.

Ces obstacles sont courants dans les communautés basées sur le chat. La solution ? Passer de la recherche par mots-clés à des représentations vectorielles des profils.

Architecture de recherche IA : du texte aux vecteurs

Remplissage et structuration des profils

Chaque membre soumet un texte libre : expérience, compétences, études de cas. Un modèle GPT (via OpenAI) le décompose en trois couches pondérées :

• Résumé principal (10-15 mots, 55 % de poids) : Traits clés.
• Compétences détaillées (30 % de poids) : Ensemble complet des compétences.
• Contexte (15 % de poids) : Loisirs, centres d'intérêt.

Cela gère les styles d'écriture variés. Par exemple, « aide visa » correspond à des profils mentionnant « relocation d'entreprise ».

Vectorisation et stockage

Chaque couche devient un vecteur (~3000 dimensions) via un modèle d'embedding. Les vecteurs sont stockés dans FAISS, une bibliothèque pour une recherche de voisins les plus proches ultra-rapide.

Le flux de travail :

• Requête utilisateur (ex. : « Essence : visas Italie ») vectorisée.
• FAISS récupère 10-15 profils les plus proches.
• Un modèle « auditeur » vérifie la pertinence, classe par score d'activité.

Résultat : Top-3 avec forte similarité sémantique, même sans correspondance exacte.

Classement automatisé avec Telethon et PostgreSQL

Le bot surveille le chat via Telethon :

• « Merci » = +1 point.
• Organisation d'un mastermind : +100.
• Participation à un événement : +30.

Les données s'agrègent dans PostgreSQL. Les classements boostent :

• La priorité de recherche.
• L'accès aux événements exclusifs.

Cela crée une réputation transparente : les membres actifs montent en haut.

# Pseudocode de surveillance exemple (Python + Telethon)
from telethon import TelegramClient

async def monitor_thanks(client, chat_id):
    async for message in client.iter_messages(chat_id):
        if 'merci' in message.text.lower():
            add_karma(message.reply_to_msg_id, 1)

Calendrier d'événements : des listes manuelles à l'auto-service

Calendrier intégré au bot : annonces → bouton « S'inscrire » → ajout auto en PostgreSQL. Pas de messages ; rappels générés par le bot. Scalable sans effort pour des centaines de membres.

Points clés à retenir

• Recherche sémantique FAISS + GPT atteint 80-90 % de précision sans mots-clés.
• Profils vectoriels multicouches (pondérés) gèrent le texte non structuré.
• Automatisation des notes via Telethon réduit le travail manuel de 100 %.
• Intégration calendrier simplifie les événements x10.
• Fonctionne pour tout groupe Telegram : équipes IT, clubs business, etc.

— Editorial Team