Préparation au retrieval
Vos documents et vos tables préparés pour que l'IA trouve vraiment le bon morceau — découpés en morceaux sensés, étiquetés, filtrés par permissions et testés sur de vraies questions.
Une pile de boîtes dans un garage et une bibliothèque peuvent contenir les mêmes livres — mais une seule permet de trouver quoi que ce soit. La préparation au retrieval, c'est transformer la pile en bibliothèque : chaque morceau étiqueté et indexé, les règles de prêt attachées — quand l'IA part chercher, elle revient avec la bonne page, pas une page au hasard.
Le problème, en mots simples
Vous branchez un assistant IA sur les documents de l'entreprise et lui posez une question dont vous connaissez déjà la réponse. Il revient, confiant — et dans l'erreur. Pas parce que le modèle est mauvais, mais parce que la réponse vit au milieu d'un PDF de 90 pages, que la recherche a sorti un paragraphe d'une version périmée, et que rien n'indiquait à l'IA quelle version était courante, qui l'avait écrite, ni si la personne qui demandait avait même le droit de la lire. Les données étaient toutes techniquement là. Elles n'étaient juste ni trouvables, ni fraîches, ni sûres à récupérer.
Ce que nous mettons en place
Nous préparons le contenu pour le retrieval (la recherche documentaire de l'IA). Les documents sont découpés en morceaux (chunks) dimensionnés selon leur type — les longs rapports autrement que les tables, les transcriptions ou le code. Chaque morceau reçoit une étiquette : source, propriétaire, date et classification de sensibilité. Chaque morceau reçoit aussi une empreinte de son sens lisible par la machine (un embedding), rafraîchie selon un calendrier documenté pour que la recherche ne devienne pas périmée. Les recherches roulent ensuite de deux façons à la fois — par le sens et par mots-clés exacts (retrieval hybride) — et une seconde passe (le reranking) trie les candidats pour que la meilleure réponse arrive en premier. Enfin, nous bâtissons un jeu de tests à partir de vraies questions que les gens posent, pour que la qualité du retrieval se mesure au lieu de se deviner.
Comment ça fonctionne, étape par étape
- Découper le contenu sur mesure
Longs documents, tables, transcriptions et code ont chacun leur stratégie de découpage — des morceaux assez grands pour avoir du sens, assez petits pour être trouvés précisément.
- Étiqueter chaque morceau
Source, propriétaire, date et classification voyagent avec chaque morceau — les réponses peuvent être citées, filtrées et vérifiées côté permissions.
- Prendre l'empreinte du sens, au calendrier
Les embeddings sont rafraîchis à une cadence documentée, avec versionnage, pour que la recherche reflète les documents d'aujourd'hui — pas ceux du trimestre passé.
- Chercher de deux façons, puis trier
La recherche par sens et la recherche par mots-clés roulent ensemble, et un reranker ordonne les résultats — parce qu'une bonne réponse en troisième place est presque aussi grave qu'absente.
- Respecter les permissions
Le retrieval applique les mêmes règles d'accès que tout le reste. Un agent ne trouve que ce que son utilisateur a le droit de voir.
- Tester sur de vraies questions
Un jeu d'évaluation permanent, fait de requêtes authentiques, mesure si le retrieval s'améliore ou se dégrade à chaque changement.
Ce qui change pour vous
Avant : l'IA répond avec ce que la recherche a bien voulu remonter — parfois juste, parfois une version périmée, sans moyen de les distinguer. Après : elle cite la version courante du bon document, source à l'appui, et seulement à partir de matériel que la personne a le droit de voir. La qualité du retrieval devient un chiffre que vous suivez, pas une plainte que vous recevez. Ce qu'il ne fera pas : inventer des réponses que vos documents ne contiennent pas — et si les documents sont faux ou périmés, il récupérera fidèlement du contenu faux et périmé. Corriger les livres de la bibliothèque reste un travail d'édition.