Le problème
Dans ce même projet client, les informations à retrouver peuvent être réparties entre plusieurs textes et tableaux : paramètres du projet, conventions de nommage ou valeurs à renseigner. Repérer une valeur ne suffit pas : il faut aussi comprendre ses conditions d’application et retrouver le passage qui permet de la vérifier.
Ce que j’ai mis en place
J’ai développé des traitements adaptés à chaque type d’information recherchée. Ils combinent :
- une recherche par mots et par sens ;
- la consultation des textes et des lignes de tableaux d’origine ;
- la reprise directe des données déjà structurées, lorsque les contrôles le permettent ;
- l’interprétation par l’IA des informations qui demandent un complément.
Ces traitements préparent des fiches à examiner. Selon l’information recherchée, une fiche rassemble une valeur proposée, son unité ou son format, ses conditions d’application, les références utilisées et les éléments restant à compléter.
Ce que cela permet
L’utilisateur dispose d’une proposition précise à vérifier, corriger ou écarter, avec les éléments disponibles pour comprendre son origine.
La recherche s’appuie sur les sources autorisées pour l’analyse. Les références, les versions des documents et le format des réponses font l’objet de contrôles.
Technologies
PostgreSQL · Qdrant · Python / FastAPI · modèles IA · Langfuse. La recherche appuyée sur les documents est aussi appelée RAG.