Le RAG, et ce qu'il apporte à l'entreprise
La génération augmentée par récupération (RAG, pour Retrieval-Augmented Generation) consiste à associer un grand modèle de langage (LLM) à un moteur de recherche sur vos propres documents. Au lieu de répondre de mémoire, le modèle reçoit, pour chaque question, les extraits les plus pertinents de votre base documentaire et formule sa réponse à partir de ces extraits, en citant ses sources.
L'intérêt est concret : retrouver une clause dans des centaines de contrats, répondre à une question sur une procédure qualité, aider un technicien à trouver la bonne section d'un manuel, ou permettre à un nouveau collaborateur d'interroger la documentation interne en arabe, en français ou en anglais.
Mais un système RAG n'est pas un produit que l'on branche. C'est une chaîne de traitement dont chaque maillon influence la qualité finale.
L'architecture en cinq étapes
- Ingestion. Les documents (PDF, Word, pages intranet, tickets) sont collectés, convertis en texte et enrichis de métadonnées : auteur, date, service, niveau de confidentialité. Les documents scannés exigent une reconnaissance de caractères (OCR) dont la qualité doit être contrôlée, en particulier pour l'arabe.
- Découpage. Le texte est divisé en segments cohérents — sections, articles, paragraphes — plutôt qu'en blocs de taille arbitraire. Un bon découpage respecte la structure du document.
- Indexation. Chaque segment est transformé en vecteur numérique (embedding) et stocké dans un index vectoriel, par exemple PostgreSQL avec l'extension pgvector, souvent combiné à une recherche plein texte classique. Pour un corpus multilingue, le modèle d'embedding doit être choisi et testé sur vos langues réelles.
- Récupération. À chaque question, le système sélectionne les segments les plus pertinents en filtrant selon les droits de l'utilisateur. Une étape de reclassement (reranking) améliore souvent la précision.
- Génération. Le LLM reçoit la question et les extraits, avec des consignes claires : répondre uniquement à partir des sources fournies, citer les documents et indiquer explicitement lorsque l'information est absente.
Confidentialité : les questions à trancher d'abord
Vos documents internes contiennent souvent des données personnelles, des informations commerciales sensibles ou des secrets techniques. Avant la première ligne de code, plusieurs décisions s'imposent.
Où les données sont-elles traitées ?
Trois grandes options existent : un modèle accessible par API chez un fournisseur, un modèle hébergé dans un environnement cloud que vous contrôlez, ou un modèle à poids ouverts déployé sur vos propres serveurs. Chacune implique des compromis entre qualité, coût, latence et maîtrise des données. Dans tous les cas, lisez attentivement les conditions contractuelles du fournisseur : conservation des requêtes, usage éventuel pour l'entraînement, localisation des traitements.
Qui a le droit de voir quoi ?
Un assistant ne doit jamais révéler à un utilisateur le contenu d'un document qu'il n'aurait pas pu ouvrir lui-même. Les droits d'accès doivent être appliqués au moment de la récupération, pas seulement dans l'interface.
Que dit la réglementation ?
En Algérie, la loi n° 18-07 du 10 juin 2018 relative à la protection des personnes physiques dans le traitement des données à caractère personnel encadre ces traitements, y compris les transferts vers l'étranger. Pour les données de résidents de l'Union européenne, le RGPD s'applique également ; si vos traitements concernent l'Arabie saoudite, la loi saoudienne sur la protection des données personnelles (PDPL) entre aussi en ligne de compte. Minimiser les données personnelles indexées, pseudonymiser lorsque c'est possible et journaliser les accès constituent un socle de bonnes pratiques.
Les spécificités d'un environnement multilingue
Au Maghreb, une même entreprise produit souvent des documents en français et en arabe, parfois en anglais, et les utilisateurs posent leurs questions dans la langue qui leur vient naturellement, y compris en dialecte. Plusieurs points méritent une attention particulière :
- la recherche plein texte en arabe doit gérer la morphologie (préfixes, suffixes) et les variantes orthographiques, comme les différentes formes de l'alif et de la hamza ou le tâ marbûta ;
- le modèle d'embedding doit savoir rapprocher une question posée en arabe d'un passage rédigé en français ;
- la langue de la réponse doit être définie à l'avance : celle de la question, celle du document ou un choix de l'utilisateur ;
- les termes métier internes, acronymes et noms de produits gagnent à être recensés dans un glossaire exploité lors de l'indexation.
Évaluer avant de déployer
Un système RAG se juge sur des preuves, pas sur quelques démonstrations réussies :
- Constituer un jeu de questions de référence avec les métiers : des questions réelles, accompagnées de la réponse attendue et des documents sources.
- Mesurer la récupération : les bons segments figurent-ils parmi les résultats remontés ?
- Mesurer la fidélité : la réponse s'appuie-t-elle uniquement sur les extraits fournis, sans invention ?
- Vérifier les citations : chaque affirmation renvoie-t-elle à un passage qui la justifie ?
- Tester les cas limites : questions hors périmètre, documents contradictoires, versions obsolètes, question posée dans une autre langue que celle du document.
- Rejouer l'évaluation à chaque changement de modèle, de découpage ou de paramètres, comme un test de non-régression.
Garder l'humain dans la boucle
Un LLM peut se tromper avec beaucoup d'assurance. La conception doit en tenir compte :
- afficher systématiquement les sources, pour que l'utilisateur puisse vérifier ;
- prévoir une validation humaine pour tout usage à conséquence : réponse à un client, interprétation contractuelle, décision RH ou financière ;
- permettre aux utilisateurs de signaler une réponse incorrecte, et exploiter ces retours pour améliorer le corpus et les réglages ;
- désigner des responsables de contenu, car un RAG ne vaut que par la qualité et la fraîcheur des documents qu'il indexe.
Quand ne pas utiliser de LLM
L'IA générative n'est pas toujours la bonne réponse. Mieux vaut s'en passer dans les situations suivantes :
| Situation | Alternative plus adaptée |
|---|---|
| La réponse est un calcul ou un chiffre issu de vos systèmes | Requête SQL, rapport, tableau de bord |
| Le corpus est petit et bien structuré | Une bonne recherche plein texte et un sommaire clair |
| Une erreur aurait des conséquences graves et ne peut pas être vérifiée | Processus expert avec validation humaine |
| Le besoin est un flux de travail répétitif et déterministe | Automatisation classique, règles métier |
| Les documents sources sont obsolètes ou contradictoires | Remettre d'abord la documentation en ordre |
Dans bien des projets, la valeur vient autant du travail de structuration documentaire que du modèle lui-même.
Maîtriser les coûts et l'exploitation
Un assistant documentaire a un coût de fonctionnement : appels au modèle, calcul des embeddings, stockage, supervision. Ce coût se pilote en limitant la taille du contexte envoyé, en mettant en cache les réponses aux questions fréquentes et en choisissant un modèle proportionné à la tâche. Il faut aussi prévoir la mise à jour de l'index lorsque les documents changent, et le retrait des documents archivés ou supprimés.
Une démarche progressive : commencer petit, puis élargir
Pour démarrer, choisissez un périmètre restreint et un public identifié — par exemple les procédures internes d'un service — et construisez le jeu d'évaluation avec ses utilisateurs. Mesurez, ajustez, puis élargissez. Cette approche limite les risques, rend les coûts prévisibles et construit la confiance des équipes.
Vous envisagez un assistant documentaire pour vos équipes ? Nous pouvons vous aider à évaluer la faisabilité, les options d'hébergement et les garde-fous nécessaires. Parlez-nous de votre projet via le formulaire de contact.
Author
ParadiStack