Entraîner une IA sur ses documents : ce qu'on fait vraiment

Dans la grande majorité des projets, on n'entraîne pas l'intelligence artificielle (IA) sur ses documents : on lui donne accès à ces documents au moment où elle répond. Le modèle reste le même ; c'est la recherche dans vos fichiers qui lui fournit, question par question, les passages dont il a besoin.

Pourquoi le mot « entraîner » induit en erreur

Le guide de la génération augmentée par récupération publié par la Direction générale des entreprises (DGE) en novembre 2024 part d'un constat simple. Les grands modèles de langage sont entraînés sur des textes généralistes. Ils ne connaissent donc pas le contexte de votre entreprise, et ce qu'ils savent est figé au moment de leur entraînement.

Deux voies existent pour leur faire connaître vos documents :

La seconde voie porte un nom technique : la génération augmentée par récupération (en anglais retrieval augmented generation, ou RAG). La DGE la présente comme une manière de permettre au modèle de « consulter » vos données avant de répondre. Elle note aussi qu'elle améliore la traçabilité de l'information et réduit le risque de réponses absurdes, par rapport à un modèle utilisé seul.

Ce qui se passe, concrètement

Quand vous « ajoutez vos documents » dans un outil d'assistant, voici ce que décrit le guide de la DGE :

1. Conversion : chaque document est transformé en texte (les scans passent par une reconnaissance de caractères).
2. Nettoyage : suppression des doublons, des en-têtes et pieds de page répétés, des informations contradictoires.
3. Découpage : les documents sont coupés en petits morceaux. La DGE souligne que la taille de ces morceaux compte beaucoup dans la réussite du système.
4. Indexation : chaque morceau est rangé de façon à être retrouvé par le sens, pas seulement par les mots exacts.
5. À chaque question : l'outil retrouve les morceaux les plus proches et les transmet au modèle, qui rédige.

Avec une solution par abonnement, ces étapes sont en général automatisées par l'outil. Votre travail porte sur la qualité des documents que vous lui confiez.

Ce que cela change pour vous

• Le bon document fait la bonne réponse. Un document faux ou périmé produit une réponse fausse, rédigée avec assurance.
• Une mise à jour ne demande pas de nouvel entraînement. Vous remplacez le fichier ; une fois traité par l'outil, c'est la nouvelle version qui sert.
• Vous pouvez exiger la source. Puisque l'on sait quels passages ont servi, l'assistant peut les citer. Voir faire citer ses sources.
• Le modèle peut encore se tromper. Le guide de la DGE précise que les réponses inventées diminuent sans disparaître. Voir éviter les hallucinations.

Et si l'on veut vraiment entraîner un modèle ?

L'entraînement complémentaire d'un modèle (on parle d'affinage) existe. La CNIL (Commission nationale de l'informatique et des libertés) mentionne d'ailleurs les systèmes spécialisés de ce type parmi les options de déploiement. Mais c'est un projet d'une autre nature : jeu de données à constituer, compétences techniques, et nouvel entraînement à chaque évolution importante. Pour une entreprise qui veut qu'une équipe trouve vite la bonne procédure ou le bon tarif, la question à se poser n'est pas « comment entraîner l'IA », mais « quels documents lui donner et comment vérifier ses réponses ».

La bonne question à se poser

Remplacez « comment entraîner une IA sur mes documents ? » par trois questions :

1. Quelles questions l'assistant doit-il traiter ? (définir le périmètre)
2. Quels documents contiennent les réponses, dans leur dernière version ?
3. Comment vérifier, avant et après le lancement, que les réponses sont justes ? (tester)

Le reste du parcours est décrit pas à pas dans créer un chatbot avec ses propres documents.