Comprendre le RAG : un chatbot qui utilise vos documents

Pourquoi un chatbot généraliste ne connaît pas votre entreprise

Un modèle préentraîné ne dispose pas automatiquement de vos contrats, procédures et tarifs. Même lorsqu’il connaît un sujet, son information peut être ancienne ou trop générale. Le RAG ajoute une étape de recherche dans vos contenus avant de demander une réponse. Cette séparation permet de mettre à jour les documents sans réentraîner le modèle à chaque modification. Elle ne supprime pas les erreurs : le système peut retrouver le mauvais passage, ignorer une exception ou interpréter incorrectement une phrase. L’architecture doit donc rendre les sources visibles et permettre l’abstention quand l’information manque.

Préparer les documents avant toute recherche

La première difficulté est souvent documentaire. Identifiez les versions officielles, les propriétaires, les dates de validité et les droits d’accès. Extrayez correctement le texte des PDF, y compris les tableaux utiles. Retirez les doublons et conservez la structure des titres. Une phrase sur les remboursements perd son sens si elle est séparée de la catégorie de contrat concernée. Ajoutez des métadonnées telles que service, langue, type de document et date d’entrée en vigueur. Elles serviront à filtrer les résultats et à expliquer pourquoi un passage a été présenté.

Découper sans détruire le sens

Les documents longs sont généralement divisés en passages, souvent appelés chunks. Un découpage trop fin perd les conditions et les exceptions ; un découpage trop large remplit le contexte avec des informations inutiles. Commencez par respecter les paragraphes et les sections, puis expérimentez la taille selon vos documents. Un léger chevauchement peut conserver une continuité, mais augmente le volume indexé et les répétitions. Pour un tableau, répétez les en-têtes nécessaires à sa compréhension. Évaluez la qualité du découpage avec de vraies questions plutôt qu’avec une valeur de taille choisie au hasard.

Comprendre embeddings et recherche hybride

Un embedding représente un texte sous forme de vecteur numérique. Des textes proches par le sens peuvent ainsi être retrouvés même s’ils n’emploient pas les mêmes mots. Cette recherche sémantique reste imparfaite pour des références exactes, des numéros de facture ou des noms de produits très proches. Une recherche hybride combine donc souvent mots-clés et similarité vectorielle. Des filtres appliquent les contraintes de langue, de date ou d’organisation. Le choix du modèle d’embedding et de l’index doit être testé sur votre vocabulaire métier, particulièrement si les requêtes et les documents mélangent plusieurs langues.

Classer les passages et construire le contexte

Récupérer beaucoup de résultats ne garantit pas une bonne réponse. Une étape de reclassement peut comparer plus précisément les passages à la question puis sélectionner les meilleurs. Le contexte envoyé au modèle doit rester limité et explicite : question originale, extraits, identifiants des sources et consigne de réponse. Évitez de remplir toute la fenêtre disponible avec des documents voisins mais inutiles. Pour une question comportant plusieurs sous-problèmes, plusieurs recherches ciblées peuvent être nécessaires. Gardez cependant un budget de temps et d’appels pour empêcher une exploration coûteuse sans amélioration mesurable.

Exemple : répondre à une question sur les congés

Un salarié demande combien de jours il peut reporter. La recherche doit tenir compte du pays, du contrat, de l’année concernée et de la version de la politique. Le système retrouve le passage applicable, présente la règle et cite la section précise. Si les informations du salarié ne permettent pas de choisir entre deux politiques, il pose une question complémentaire. Si les documents se contredisent, il signale cette contradiction. Ce comportement est plus utile qu’une réponse universelle inventée. Le lien vers la source doit permettre à l’utilisateur de relire les exceptions dans leur contexte.

Gérer les permissions et les attaques par document

Les droits doivent être appliqués avant que les extraits atteignent le modèle. Une restriction affichée dans l’interface ne protège pas une recherche effectuée sur tous les fichiers. Dans un système multi-entreprise, l’isolation concerne index, métadonnées, cache et journaux. Un autre risque est l’injection de consignes dans un document : un fichier peut contenir une instruction demandant d’ignorer les règles ou de révéler d’autres données. Traitez ce contenu comme une information non fiable. Il ne doit jamais pouvoir modifier les permissions ni autoriser un appel d’outil à la place de l’application.

Mesurer séparément recherche et réponse

Construisez un jeu de questions avec les documents qui contiennent réellement la réponse. Vérifiez d’abord si les bons passages sont retrouvés, puis si le modèle les utilise correctement. Une réponse peut sembler bonne malgré une mauvaise recherche, parce que le modèle complète avec ses connaissances générales ; cela cache une faiblesse du système. Mesurez pertinence des sources, couverture des questions, exactitude et capacité à dire que l’information manque. Incluez des cas où aucun document ne répond. Une excellente réponse à une question facile ne compense pas la divulgation d’un seul document interdit.

Maintenir l’index et surveiller les versions

Prévoyez comment les créations, modifications et suppressions de documents se propagent. Une ancienne procédure ne doit pas rester accessible indéfiniment dans l’index ou dans un cache. Utilisez des identifiants stables et conservez la provenance des passages pour pouvoir reconstruire l’index. Détectez les échecs d’extraction et les documents devenus illisibles. Suivez la fraîcheur des données avec le responsable métier. Le RAG est un service documentaire vivant : sa maintenance compte autant que le choix initial d’une base vectorielle ou d’un fournisseur de modèles.

Définir une première livraison réaliste

Choisissez un corpus maîtrisé et une famille de questions bien identifiée, comme les procédures du support. Livrez recherche, réponse sourcée, retour utilisateur et tableau de suivi avant de connecter toute l’entreprise. Documentez les limites et les règles de conservation. Tuplify Studio peut développer ce parcours dans un portail, un CRM ou une application métier, avec authentification et contrôle des accès. L’objectif n’est pas de faire répondre le chatbot à tout, mais de permettre aux utilisateurs de retrouver une information fiable plus facilement qu’avec leur processus actuel.

Atelier : diagnostiquer une réponse RAG incorrecte

Choisissez une question dont vous connaissez la source exacte. Enregistrez les passages retrouvés avant de regarder la réponse. Si la bonne information n’apparaît pas, examinez extraction, découpage, filtres et recherche. Si elle apparaît mais n’est pas utilisée, examinez ordre des extraits, instructions et ambiguïtés. Ajoutez une version obsolète du même document pour vérifier le traitement des dates, puis posez la question avec un compte sans permission. Enfin, retirez le document de référence : le système doit reconnaître l’absence plutôt que continuer à citer un cache ancien. Cette méthode sépare les causes et évite de changer de modèle à chaque erreur alors que le problème vient souvent de la préparation documentaire ou des règles d’accès.

Questions fréquentes : base vectorielle, citations et langues

Une base vectorielle est-elle obligatoire ? Une solution peut utiliser une recherche textuelle ou hybride selon le corpus. Le besoin est de retrouver des passages pertinents, pas d’adopter un composant parce qu’il est associé au mot RAG.

Une citation prouve-t-elle la réponse ? Non : le passage cité peut être incomplet, ancien ou interprété de travers. Vérifiez le lien entre l’affirmation et sa source.

Peut-on poser une question arabe sur un document français ? Certains modèles et méthodes de recherche le permettent, mais la qualité doit être mesurée sur les langues et termes réels. Prévoyez les noms de produits, abréviations et formulations mixtes ; une démonstration multilingue réussie ne garantit pas tous les cas du corpus.