Trois semaines perdues à cause d’un seul PDF dans un système RAG
Un retard de trois semaines dans un projet de chatbot bancaire a commencé par une demande simple : « Peux-tu m’envoyer les PDFs des politiques de prêt ? » Ce qui semblait être un transfert de fichiers anodin s’est transformé en un apprentissage accéléré sur la façon dont la mise en page des documents peut saboter les systèmes de génération augmentée par récupération.
Le PDF qui a fait planter le pipeline
La première politique d’éligibilité aux prêts semblait propre à l’écran : titres, tableaux et mentions légales. Un extracteur basique promettait une conversion rapide, mais le résultat était « dangereusement faux ». Les colonnes fusionnaient en phrases sans fin, les en-têtes collaient aux paragraphes sans espacement, et les chiffres des tableaux de taux flottaient sans leur étiquette. L’extracteur ne voyait que des caractères et des coordonnées ; il ignorait que « 7,2 % » devait être associé à « Dépôt à terme pour seniors ». Une fois intégré, découpé et indexé, ce bruit contaminait l’ensemble du système.
Les tableaux, tombeaux des récupérations
Les documents de prêt vivent ou meurent par leurs tableaux : tranches d’intérêts, durées, plafonds de revenus. Les aplatir en texte brut rendait le système de récupération incapable de saisir les relations ; fragmenter les tableaux entre les sauts de page détruisait tout contexte. Un collègue a résumé la situation : « Pour l’outil, la page 3 et la page 4 ne savent même pas qu’elles existent. » La solution finale n’a pas été un algorithme sophistiqué, mais quelque chose de plus lent et moins spectaculaire. Un pipeline dédié d’intelligence documentaire, respectant les limites des tableaux, traitant page par page et recousant les fragments, a finalement rétabli la structure dont le système de récupération avait besoin.
Pourquoi c’est important
Pour les équipes construisant des systèmes RAG manipulant du contenu réglementé, les enjeux sont réels : des chiffres erronés dans les politiques de prêt peuvent entraîner des risques de conformité ou nuire aux clients. Cet épisode montre que le maillon faible n’est pas toujours le modèle d’IA, mais bien l’étape en amont de traitement des données. Investir dans une extraction documentaire robuste dès le départ évite des échecs en aval bien plus coûteux à corriger que le temps initialement consacré à la conversion des fichiers.
Source : DEV Community. Synthèse éditoriale assistée par IA — TechnoExpress.