> For the complete documentation index, see [llms.txt](https://docs.mindee.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.mindee.com/v2/fr/modeles-extraction/optional-features/improving-accuracy.md). # Apprentissage continu (RAG) Améliorez la précision de l’extraction grâce à la génération augmentée par récupération (RAG) à l’aide de vos propres documents. ## Aperçu Lors de l’utilisation d’un modèle Extraction, il arrive parfois que la précision du résultat ne soit pas satisfaisante sur un document donné ou sur un modèle particulier. Si vous avez déjà suivi la [Bonnes pratiques du Schéma de données](/v2/fr/modeles-extraction/data-schema-best-practices.md), et que les résultats ne sont toujours pas satisfaisants, tout espoir n’est pas perdu. Vous pouvez améliorer de manière fiable les performances du modèle pour les prochaines inférences en utilisant la fonctionnalité RAG. {% embed url="" %} ## Bases du fonctionnement interne de RAG La génération augmentée par récupération, ou RAG, est une approche de l’intelligence artificielle qui combine les atouts des modèles fondés sur la récupération avec la production de texte par des LLM génératifs. En substance, RAG exploite une riche base de données de documents sources et d’embeddings pour enrichir la base de connaissances à partir de laquelle il puise ses réponses. Cela signifie que le système récupère des extraits de données spécifiques et contextuels, puis les utilise pour générer des réponses sémantiques et finement ajustées, à la fois créatives et factuellement exactes. ### Étapes générales de RAG 1. Annoter un échantillon donné, ce qui signifie fournir au modèle la différence entre les données extraites et la ou les valeurs attendues. Une fois activé, cet exemple sera ajouté à la base de données RAG pour l’avenir. 2. Récupération : lorsqu’un prochain document sera envoyé avec l’option RAG activée, le modèle tentera de rechercher un exemple similaire dans la base de données existante. La question ici est : « Peut-être existe-t-il un exemple existant dont je dois suivre les instructions afin de ne pas refaire la même erreur ». Si aucun exemple n’est trouvé, il n’est pas nécessaire d’enrichir la prédiction. Si un exemple correspond dans la base de données RAG, on passe alors à l’étape 3. 3. Génération augmentée : un document a correspondu dans la base de données RAG. Le modèle utilisera les consignes que vous avez données sur l’échantillon RAG pour produire cette fois une meilleure prédiction. La prédiction générée est enrichie par un contexte existant, ce qui aide le modèle à être meilleur cette fois-ci.
RAG process overview
## Configurer la base de données RAG Pour utiliser RAG sur un modèle Extraction donné, vous devrez d’abord configurer la base de données RAG, qui contiendra vos documents et vos données d’annotation. Un seul document suffit pour commencer. Accédez à la base de données en cliquant sur le lien « Apprentissage continu (RAG) » dans la section de configuration du modèle.\ \ À partir de là, cliquez sur le bouton « Ajouter un document » pour téléverser des fichiers dans la base de données RAG. N’ajoutez que les fichiers dont les réponses posent problème et qui n’ont pas pu être résolus par [améliorer le Schéma de données](/v2/fr/modeles-extraction/data-schema-best-practices.md). Lors du téléversement du fichier, vous pouvez ajouter des étiquettes libres afin d’aider à identifier ou à classer le document. Par exemple, vous pouvez le taguer selon la géographie, le fournisseur, le type de problème, etc. Vous devez annoter le document en sélectionnant les champs que vous souhaitez voir pris en charge par l’enrichissement RAG sur ce modèle. Vous pouvez également ajouter des consignes supplémentaires en langage simple. {% hint style="success" %} La plupart du temps, l’annotation suffit pour que le modèle comprenne le problème.\ Nous recommandons d’utiliser la consigne uniquement lorsque l’annotation ne résout pas le problème. {% endhint %} Une fois ce document annoté, **assurez-vous de le valider.** Une fois validé, le document sera actif. Désormais, les fichiers envoyés en traitement qui correspondent au document verront leurs résultats enrichis par les annotations de la base de données RAG. Pour tester cela, allez à la [Live test](/v2/fr/models/live-test.md) page. Idéalement, trouvez un document avec le même modèle (par exemple une autre facture du même fournisseur), mais **pas** exactement le même que celui ajouté à la base de données RAG.\ \ Téléversez le document dans Live test, en laissant « Afficher l’extraction RAG » coché. Vous verrez les prédictions avant/après, ce qui permet de vérifier que les annotations RAG ont bien été prises en compte lors du traitement du document.\ \ Pour les documents qui ne correspondent pas au document annoté, le comportement reste le même, ce qui signifie que RAG améliore le résultat sans régression sur les autres documents. Pour voir quels documents sont utilisés, dans la base de données, les colonnes « Matched » et « Last Matched » indiquent respectivement combien de fois le document a été utilisé et la dernière fois qu’il a été utilisé. ## Activer RAG Pour de meilleurs résultats, veillez à suivre le [Bonnes pratiques du Schéma de données](/v2/fr/modeles-extraction/data-schema-best-practices.md) avant d’activer cette fonctionnalité. Si le Schéma de données n’est pas optimisé, cette fonctionnalité pourrait ne pas améliorer significativement la précision du modèle. ### Activer RAG sur la plateforme Lorsque vous définissez l'état d'activation d'une fonctionnalité sur la Plateforme, ce sera la valeur par défaut.\ Tous les appels API utiliseront l'état par défaut, sauf indication contraire explicite lors de l'appel API. Cela est utile pour les chefs de projet, car cela permet d'activer ou de désactiver une fonctionnalité dans tous les appels API sur ce modèle. Toute personne disposant d'un accès en écriture au modèle peut définir la valeur par défaut de l'option. Cliquez sur l’onglet « Schéma de données », puis sur « Fonctionnalités optionnelles ». Vous pourrez y activer la fonctionnalité « RAG Processing ». ### Activer RAG via des appels API Si vous avez besoin d’un contrôle plus granulaire sur le moment où la fonctionnalité est utilisée, vous pouvez l’activer ou la désactiver lors de l’exécution d’appels API. Cela permet de définir dynamiquement l’état d’activation à l’aide de votre logique métier interne ou propre à votre domaine. Vérifiez le [Configuration du client](/v2/fr/integrations/client-libraries-sdk/configure-the-client.md#optional-features-configuration) section si vous utilisez notre [Bibliothèques clientes / SDK](/v2/fr/integrations/client-libraries-sdk.md). ## Recherche de documents RAG Vous pouvez filtrer les documents RAG affichés dans l’interface selon divers critères : * étiquettes * nom de fichier * date de téléversement * statut Cela se fait via le bouton « Filtres » en haut de la liste des documents. ## Foire aux questions
Comment mes données sont-elles protégées pendant le traitement RAG ? Vos données restent privées et isolées au sein de votre modèle. Tous les documents et annotations ajoutés à votre base de données RAG sont chiffrés en transit.
Mes données RAG sont-elles partagées avec d’autres utilisateurs ou vendues à des tiers ? Non, jamais. Les données RAG ne sont accessibles qu’aux utilisateurs de l’organisation à laquelle appartient le modèle. Mindee ne vend jamais de données à des tiers. Tout le stockage et la récupération des données RAG s’effectuent sur les serveurs dédiés de Mindee.
Mindee utilise-t-il mes données RAG pour l’entraînement ? Non, tous les documents sont la propriété de leur organisation et ne sont pas utilisés pour entraîner les modèles Mindee. Nous n’utilisons les données RAG en interne qu’avec votre connaissance explicite et votre consentement préalable. Cela se limite à l’utilisation de vos documents pour aider à résoudre un ticket que vous avez ouvert auprès de notre équipe d’assistance.
Que devient ma base de données RAG si je rétrograde mon offre ? Nous ne supprimerons aucun des fichiers que vous avez téléversés dans votre base de données de documents RAG si vous rétrogradez ; en revanche, vous ne pourrez ni les modifier ni les valider. Les consignes que vous avez données à vos documents RAG seront prises en compte dans vos inférences avec l’offre inférieure, même si cela dépasse les fonctionnalités de l’offre.
--- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.mindee.com/v2/fr/modeles-extraction/optional-features/improving-accuracy.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.