Préparer des documents pour l'IA

Une bonne base de connaissances commence par des documents clairs et à jour. Le modèle ne peut pas décider indépendamment quelle politique conflictuelle est valide.

Vous pouvez suivre ce cours sans compte ni programmation. Les exemples utilisent des données synthétiques et les résultats de l’IA doivent être vérifiés.

Comment ça marche, étape par étape

Les bons documents précèdent les bonnes réponses

Préparez un texte lisible, des titres clairs, des tableaux avec en-têtes et sources sans doublons inutiles. Le chunking divise un document en passages récupérables séparément ; le chevauchement préserve la continuité entre voisins. Un petit morceau peut perdre des conditions, tandis qu'un gros morceau introduit du bruit. Les métadonnées préservent la source, la position et la version, ainsi que la portée d'accès lorsque l'implémentation l'impose. Le téléchargement stocke le fichier ; l'indexation le rend consultable. Lorsqu'une source change, vérifiez que les anciens fragments disparaissent et que les nouveaux sont récupérés avant de déclarer la base de connaissances actuelle.

La fluidité et l’exactitude se vérifient séparément

Une hallucination est un contenu non étayé ou incorrect présenté comme une réponse. Cela peut provenir d’informations manquantes, d’ambiguïtés ou de modèles mal combinés. Demandez des preuves et vérifiez le document original, la date, les unités et les conditions. Une véritable citation peut toujours ne pas étayer l’affirmation. Utilisez des sources actuelles pour les faits actuels, une calculatrice pour l'arithmétique et « ne peut pas déterminer » quand des preuves sont manquantes. Ne considérez pas la confiance exprimée en prose comme une probabilité calibrée.

Vérifier l'accès avant utilisation

Les autorisations doivent être appliquées par les serveurs et la couche de données. Ne laissez pas le modèle décider si un utilisateur peut voir un document. Filtrez les sources avant qu'elles n'entrent dans le contexte, et non après avoir généré la réponse. Utilisez des informations d'identification à accès minimal, gardez-les à l'écart des invites, des captures d'écran et du code du navigateur, et faites pivoter les clés exposées. Une liste blanche de domaines de widgets ne remplace pas l'authentification API. L'authentification vous identifie ; l’autorisation détermine les opérations et les données que vous pouvez utiliser. Test d'accès refusé également.

Le schéma explicatif

Suivez les flèches pleines pour le flux principal. Les flèches bleues en pointillés fournissent des données ou un contexte ; les flèches roses en pointillés affichent des commentaires ou des résultats renvoyés. Les couleurs et les formes distinguent les modèles, les magasins, les décisions et les sorties. Sur un petit écran, faites défiler horizontalement pour suivre le schéma complet.

Un exemple complet

Un ancien PDF indique 30 jours ; la politique actuelle indique 14. Marquer les versions, conserver la source actuelle et supprimer le doublon expiré du corpus actif.

Essayez-le vous-même

1. Nettoyez deux politiques contradictoires et un tableau sans en-têtes.
2. Enregistrez l’entrée, la source et le résultat attendu avant d’exécuter l’expérience. Utilisez uniquement les données fictives de l'exemple.
3. Suivez les étapes du diagramme. À chaque étape, enregistrez les informations reçues et produites ; ne confondez pas le résultat intermédiaire avec le résultat final.
4. Répétez après avoir supprimé les informations nécessaires ou rendu la saisie ambiguë. Vérifiez si le système clarifie, arrête ou invente une réponse.
5. Comparez avec la solution expliquée. Conservez la configuration, la date, le résultat et une explication des différences. Changez une chose et retestez.

Une solution expliquée

Le corpus actif contient une politique identifiable sans versions conflictuelles. Un exercice réussi vous permet de montrer le lien entre les contributions, les étapes et les résultats. Lorsqu’une information manque, une réponse prudente est plus utile que des détails inventés. Comparez bien plus que le style : vérifiez également les conditions, les sources et les opérations.

Quand cette approche est utile et quelles sont ses limites

Ne téléchargez pas de documents sensibles uniquement à des fins d’expérimentation. Choisissez cette approche lorsqu’elle améliore un besoin mesuré. Gardez une base de référence simple et comparez les résultats en utilisant des entrées identiques. Un exemple réussi n’établit pas la fiabilité dans toutes les situations.

Vérifiez vos connaissances

Le téléchargement terminé signifie-t-il qu'un document est prêt pour RAG ?

Non. L’extraction, le regroupement et l’indexation doivent également se terminer avec succès.

Un lien dans une réponse est-il suffisant ?

Non; il doit appuyer la revendication particulière et être adapté au moment et aux circonstances.

Quel résultat cet exercice devrait-il produire ?

Le corpus actif contient une politique identifiable sans versions conflictuelles.

Les mots à retenir

• Gros morceau: Un passage de document pouvant être récupéré séparément.
• Mise à la terre: Fonder une réponse sur des preuves vérifiables.
• Autoriser / Autorisation: Vérification du droit d'accès à une opération ou une ressource.

Sources et votre prochaine étape

• Lewis et al. — Génération augmentée par récupération
• Hugging Face — Cours LLM
• OWASP — Injection de prompt

Pour préparer : R01 — Qu'est-ce que RAG et pourquoi est-il utile ? · R03 — Naive RAG : votre référence