Embeddings, recherche sémantique et RAG pour les fonds documentaires

Sciences de l'information · Master 1

Vecteurs de sens, recherche hybride et génération augmentée appliqués aux collections.

Introduction

La recherche par mots-clés exige que le terme de la requête figure dans le document. Les modèles d'embeddings représentent les textes par des vecteurs numériques proches lorsque le sens est proche, ce qui permet de retrouver « voiture » à partir de « automobile ».

Ces vecteurs servent de base à la recherche sémantique et aux systèmes de génération augmentée par récupération (RAG), où un modèle de langage répond en s'appuyant sur des passages extraits d'un fonds contrôlé. Pour une institution documentaire, l'enjeu est de réunir qualité des sources, traçabilité et respect des droits.

Objectifs d'apprentissage

Expliquer ce qu'est un embedding et la similarité cosinus
Comparer recherche lexicale, sémantique et hybride
Décrire les étapes d'une chaîne RAG
Choisir une taille de segments (chunking) adaptée
Évaluer les risques liés aux sources, aux droits et à la confidentialité

Concepts clés

Embedding: Représentation vectorielle d'un texte dans laquelle la proximité reflète une proximité de sens.
Recherche hybride: Combinaison d'une recherche lexicale (par exemple BM25) et d'une recherche vectorielle.
RAG: Le modèle génère sa réponse à partir de passages récupérés dans un corpus, avec renvoi aux sources.

Conclusion

Les embeddings enrichissent la recherche, le RAG ancre les réponses dans un fonds. La qualité du corpus, les droits et l'évaluation restent les conditions d'un usage fiable.

Cartes

Qu'est-ce qu'un embedding ?: Un vecteur de nombres produit par un modèle pour représenter un texte ; des textes de sens proche ont des vecteurs proches.
Quelle mesure compare souvent deux embeddings ?: La similarité cosinus, qui mesure l'angle entre deux vecteurs, indépendamment de leur longueur.
Quel avantage a la recherche sémantique sur la recherche lexicale ?: Elle retrouve des documents pertinents sans mot en commun (synonymes, reformulations, requêtes dans une autre langue avec un modèle multilingue).
Quel défaut a la recherche vectorielle seule ?: Elle peut manquer des termes exacts (noms propres, cotes, numéros) et ses résultats sont plus difficiles à expliquer.
Pourquoi combiner BM25 et recherche vectorielle ?: BM25 est précis sur les termes exacts, les vecteurs captent le sens ; les deux listes sont fusionnées pour de meilleurs résultats.
Quelles sont les étapes d'une chaîne RAG ?: Découper et indexer le corpus, vectoriser la question, récupérer les passages proches, fournir ces passages au modèle de langage, générer une réponse avec citations.
Qu'est-ce que le chunking ?: Le découpage des documents en segments ; trop courts, ils perdent le contexte, trop longs, ils diluent l'information.
Pourquoi un RAG ne supprime-t-il pas tous les risques d'erreur ?: Le modèle peut mal interpréter un passage, récupérer des sources inadéquates ou compléter par ses propres connaissances.
Quels points de vigilance pour des documents d'archives ?: Droits d'accès et de réutilisation, données personnelles (nLPD), délais de protection, et conservation des métadonnées de provenance.
Comment évaluer un système de recherche sémantique ?: Avec un jeu de requêtes de test jugées par des humains, en mesurant précision, rappel et classement des résultats.

Glossaire

Vecteur: Liste de nombres représentant un objet, ici un texte.
Similarité cosinus: Mesure de proximité entre deux vecteurs fondée sur leur angle.
Index vectoriel: Structure permettant de retrouver rapidement les vecteurs les plus proches d'une requête.
BM25: Fonction de classement lexical fondée sur la fréquence des termes et la longueur du document.
Chunk: Segment de document indexé séparément dans un système RAG.
Ancrage: Fait de fonder une réponse sur des sources citées et vérifiables.