> 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) ## Vue d'ensemble Lors de l'utilisation d'un modèle Extraction, il arrive parfois que la précision d'extraction ne soit pas satisfaisante sur un document donné ou un gabarit 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 n'est pas perdu. Vous avez un moyen d'améliorer durablement les performances du modèle pour les prochaines prédictions que vous ferez. La solution qu'il vous faut est la fonctionnalité RAG. {% embed url="" %} ## Bases du fonctionnement interne du 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. Essentiellement, RAG s'appuie sur une riche base de données de documents sources et d'embeddings pour enrichir la base de connaissances à partir de laquelle il génère des 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 globales du RAG 1. Annoter un échantillon donné, ce qui signifie indiquer au modèle la différence entre les données extraites et la ou les valeur(s) attendue(s). 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 essaiera de rechercher un exemple similaire dans la base de données existante. La question ici est : « Peut-être existe-t-il déjà un exemple pour lequel je dois suivre les consignes afin de ne pas refaire la même erreur ». Si aucun exemple n'est trouvé, il n'est pas nécessaire d'augmenter la prédiction. Si un exemple est trouvé dans la base de données RAG, on passe à l'étape 3. 3. Génération augmentée : un document a été mis en correspondance dans la base de données RAG. Le modèle utilisera les consignes que vous avez données sur l'exemple RAG pour faire une meilleure prédiction cette fois-ci. 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. 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.\ \ Vous pouvez ensuite enrichir votre base de données RAG en téléversant des documents dont les réponses posent problème. Vous devez annoter le document, en cochant les champs que vous souhaitez voir couverts par l'augmentation RAG sur ce gabarit. Vous pouvez également ajouter des consignes supplémentaires en langage clair. {% hint style="success" %} La plupart du temps, l'annotation suffit à faire comprendre le problème au modèle.\ Nous recommandons de n'utiliser la consigne que lorsque l'annotation ne résout pas le problème. {% endhint %} Une fois ce document annoté, **veillez à le valider**, et allez dans l'onglet Live test.\ \ Vous devez téléverser un document et laisser « Afficher l'extraction RAG » coché. Idéalement, choisissez un document avec le même gabarit (une autre facture du même fournisseur, par exemple), mais pas exactement celui que vous avez utilisé dans la base de données RAG. Vous verrez les prédictions avant/après et devriez pouvoir vérifier que les instructions supplémentaires ont été prises en compte pour enrichir correctement la prédiction.\ \ À l'avenir, les documents respectant le même gabarit devraient être enrichis, ce qui devrait augmenter considérablement les performances sur ce gabarit donné. Pour les autres types de documents, 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 « Correspondance » et « Dernière correspondance » indiquent respectivement combien de fois le document a été utilisé et la dernière fois qu'il l'a été. ## 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 « Traitement RAG ». ### Activer RAG via les 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). ## Questions fréquemment posées
Comment mes données sont-elles protégées pendant le traitement RAG ? Vos données restent privées et isolées dans votre modèle. Tous les documents et annotations ajoutés à votre base de données RAG sont chiffrés lors du 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. Le stockage et la récupération des données RAG sont effectués sur les serveurs dédiés de Mindee.
Mindee utilise-t-il mes données RAG pour l'entraînement ? Non, tous les documents appartiennent à leur organisation et ne sont pas utilisés pour l'entraînement des modèles Mindee. Nous n'utilisons les données RAG qu'en interne, 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 passe à une offre inférieure ? Nous ne supprimerons aucun des fichiers que vous avez téléversés dans votre base de données de documents RAG si vous passez à une offre inférieure ; en revanche, vous ne pourrez pas 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 dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` 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 optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. 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.