Données et connaissances pour une IA d'entreprise

Une IA d'entreprise ne vaut que par les données qu'elle lit et par la façon dont elle les retrouve. Cinq sites du réseau couvrent la recherche dans les documents, les vecteurs qui la permettent, la préparation des fichiers, l'extraction de champs et l'affinage d'un modèle.

Les sujets et les pages à lire

Sujet	Hôte et page du réseau	Ce qu'il faut vérifier avant
Faut-il un RAG ?	rag : Architecture d'un RAG	Si la base tient dans la requête, sans recherche : moins de 200 000 jetons, environ 500 pages, selon Anthropic.
RAG ou fine-tuning	rag : RAG ou fine-tuning	Pour répondre à partir de documents, la voie habituelle est la recherche au moment de la question ; le fine-tuning sert au format, au style ou à une tâche répétitive.
Droits d'accès aux documents	rag : Droits d'accès	Filtrer les documents selon la personne qui pose la question : l'OWASP range les fuites entre utilisateurs parmi les risques.
Mesurer la qualité	rag : Évaluer un RAG	Un jeu de questions de référence avant de régler le découpage, la recherche ou le modèle.
Modèle d'embedding	embeddings : Choisir un modèle d'embedding	Un seul modèle par index : changer de modèle revient en principe à recalculer tous les vecteurs.
Stockage des vecteurs	embeddings : Installer pgvector	Dans pgvector, un vecteur occupe 4 × dimensions + 8 octets, avant même l'index.
Données personnelles et vecteurs	embeddings : Embeddings et données personnelles	Un vecteur n'est pas un texte chiffré : selon des chercheurs, une grande partie du texte peut être reconstituée.
Convertir les documents	documents : PDF en Markdown	Garder les titres et les tableaux ; l'API de Claude demande de convertir les .docx et .xlsx en texte.
Documents scannés	documents : Comparatif des API d'OCR	Un scan n'a pas de texte tant qu'il n'a pas passé la reconnaissance de caractères : sans OCR, la recherche ne trouve rien.
Doublons et versions	documents : Dédoublonner les documents	Une seule version valide par document dans l'index, sinon la réponse cite la mauvaise.
Champs d'une facture	extraction : Schéma JSON d'extraction	Un schéma strict, avec les types, les formats de date et une valeur « absent » prévue.
Précision de l'extraction	extraction : Mesurer la précision champ par champ	Mesurer sur un échantillon de vos propres documents avant la mise en production.
Relecture humaine	extraction : Seuil de confiance et validation	Des contrôles de cohérence, comme le total égal à la somme des lignes, et un seuil au-dessous duquel un humain valide.
Fine-tuning : est-ce utile ?	fine-tuning : Quand faire du fine-tuning	Mistral conseille de commencer par les consignes ; Google cite des résultats incohérents malgré elles comme motif de réglage.
Où faire du fine-tuning	fine-tuning : Où faire du fine-tuning	Les offres changent : relevé du 15/11/2026, l'API Claude ne propose pas de fine-tuning, l'API Mistral est marquée dépréciée.
Jeu de données	fine-tuning : Jeu de données	Format JSONL, séparation entraînement, validation et test, et précautions pour les données personnelles.

Trois étapes qui se suivent

Les guides du réseau proposent le même enchaînement. D'abord, on prépare les documents : inventaire, conversion en texte structuré, reconnaissance des scans, métadonnées, retrait des doublons, puis synchronisation avec la source. Ensuite, on choisit la voie d'usage : une recherche avec RAG pour répondre à partir des documents, une extraction de champs pour remplir un logiciel, ou un réglage du modèle pour un format précis. Enfin, on mesure, sur ses propres cas, avant toute mise en production.

Le guide des documents insiste sur un contrôle simple : ouvrir dix fichiers convertis au hasard et les comparer à l'original. Il évite d'imputer au modèle des erreurs qui viennent de la conversion. Le guide RAG fait le même constat : la qualité se joue surtout dans la récupération des passages, et rarement dans le modèle lui-même.

Trois questions à se poser

Vos documents tiennent-ils dans une seule requête, ou faut-il une recherche qui retrouve les passages utiles ?
Qui a le droit de voir quels documents, et ce droit est-il vérifié avant que le modèle lise quoi que ce soit ?
Comment mesurez-vous la réponse ou l'extraction sur vos propres documents, champ par champ, avant de les mettre en service ?

Pour aller plus loin

Le choix du modèle qui lira ces données se fait dans Choisir son modèle d'IA et son hébergement. Les agents qui utilisent ces données sont traités dans Agents et intégration, et les règles de protection des données dans Règles et sécurité.

Qui édite ce site

Cercle IA Tech est édité par IArche, à Bayonne, qui édite aussi ALMA, la plateforme IA pour PME d'IArche. Les outils et les bibliothèques cités ne sont pas édités par IArche ; leurs caractéristiques sont décrites d'après leurs pages officielles, relevées le 15/11/2026.