IA appliquée · Recherche documentaire
Assistant documentaire interne avec RAG
Interroger un corpus interne, classer les documents les plus pertinents et restituer une réponse traçable avec ses sources pour accélérer l'accès à l'information métier.
L'utilisateur formule son besoin en langage naturel.
Le corpus est parcouru et les documents sont classés selon leur pertinence.
Les passages utiles sont retenus avec leur identifiant et leur origine.
Une restitution fondée sur les sources est présentée à l'utilisateur.
Contexte métier
Les procédures, référentiels et guides internes sont souvent dispersés entre plusieurs espaces. Les équipes passent du temps à rechercher la bonne information, à vérifier sa version et à identifier la source suffisamment fiable pour prendre une décision.
Problématique
Comment permettre à un collaborateur de poser une question simplement, retrouver les documents pertinents et obtenir une réponse traçable sans masquer l'origine de l'information ni inventer une réponse lorsque les sources sont insuffisantes ?
Approche
Un système RAG, pour Retrieval-Augmented Generation ou génération augmentée par la recherche, commence par retrouver les informations utiles avant de produire une réponse. Cette démonstration se concentre sur cette couche de recherche et remplace volontairement la génération par une synthèse extractive locale afin que chaque résultat reste vérifiable.
Ce que montre la démo
Saisissez une question ou choisissez un exemple. La démonstration classe les documents, affiche le meilleur extrait et cite les sources retenues. Le score est un indicateur transparent fondé sur les termes retrouvés, pas une probabilité calculée par un modèle d'IA.
Questions d'exemple
Filtres documentaires
Démonstration front-end : le corpus JSON, la recherche, le classement et la synthèse sont exécutés localement. Aucun modèle génératif ni service distant n'est appelé.
Réponse assistée
Synthèse extractive localePosez une question pour afficher l'extrait le plus pertinent et les documents qui le justifient.
Cette réponse reprend le contenu du corpus. Une version de production devrait évaluer la qualité des réponses, gérer les droits d'accès et refuser explicitement les demandes insuffisamment documentées.
Valeur apportée
De la démonstration à la production
Une architecture réelle pourrait ingérer des documents depuis SharePoint ou Azure Blob Storage, les découper en passages, calculer leurs embeddings - des représentations numériques du sens - puis les indexer dans Azure AI Search. Azure OpenAI pourrait ensuite formuler une réponse à partir des passages autorisés, avec citations, contrôle des accès, journalisation et tests de qualité.
Aller plus loin
Ce type d'assistant peut soutenir un support interne, une base de procédures, un dispositif de conformité ou l'accès à une documentation Data et BI, avec un niveau de contrôle adapté aux informations traitées.