Enterprise Search
Recherche documentaire par IA : vérifier les tableaux PDF dans un système RAG sans que la note globale masque les erreurs
Un système RAG avec une très bonne note globale peut malgré tout attribuer de travers le montant décisif. Dans les tableaux PDF sur plusieurs pages en particulier, les lignes d'en-tête, les colonnes et les indications de page se perdent en route. Cet article montre où cela se produit et comment vérifier séparément les champs critiques.
par Sebastian @searchit · · 10 min de lecture
Généré par IALa Retrieval-Augmented Generation, RAG en abrégé, est la méthode derrière la plupart des assistants IA pour le savoir de l'entreprise : un système de recherche va chercher les passages pertinents dans vos documents, un modèle de langage en formule la réponse. Cela fonctionne bien tant que le savoir se trouve dans du texte courant. Dans les factures, les bordereaux de prestations, les listes de prix et les rapports de contrôle, il se cache pourtant souvent dans des tableaux – et ceux-ci s'étendent sur plusieurs pages.
Il suffit alors d'une petite erreur à la lecture du PDF : en page 2, la ligne d'en-tête manque, une colonne glisse, un sous-total est lu comme une position. La réponse paraît tout de même plausible. Et l'on se retrouve avec un sacré bazar, car une note globale du type « 95 % des contenus correctement reconnus » ne dit pas grand-chose du montant décisif si elle le pondère exactement comme un mot de remplissage mal reconnu.
Une précision d'abord : nous sommes l'éditeur de searchit. Nous n'avons pas trouvé de méthode de contrôle complète et généralement reconnue pour les tableaux dans les systèmes RAG. Le déroulé suivant est donc notre propre ébauche. Mon conseil : vérifiez-le sur vos propres documents – chez chaque éditeur.
En bref
- Fixer d'abord les champs critiques : montant avec devise et unité, rattachement à la position et à la colonne, page source.
- Compter séparément les erreurs sur les champs critiques – jamais dans la moyenne avec tous les autres caractères.
- Vérifier trois étapes une par une : lecture du PDF, recherche du bon passage, réponse avec référence.
- Distinguer « manquant », « faux » et « inventé ». Une valeur inventée est pire qu'une valeur manquante.
- Revérifier après chaque changement : autre lecteur de PDF, autre modèle de langage, autre découpage en passages.
Quand vous cherchez dans des documents avec l'IA : où les liens du tableau se perdent
Un PDF enregistre des caractères à des positions sur une page ; la structure du tableau ne s'en déduit pas d'emblée. Qui reconstitue des lignes et des colonnes à partir de là doit en déduire le rattachement. Cela réussit le plus souvent bien, mais pas toujours. Points de rupture typiques de la recherche documentaire dans les PDF :
| Point de rupture | Ce qui se passe | À quoi cela ressemble dans la réponse |
|---|---|---|
| saut de page | la ligne d'en-tête ne figure que sur la première page | les valeurs de la page 2 n'ont plus de noms de colonnes – « hors taxes » et « toutes taxes comprises » sont confondus |
| mise en page sur plusieurs colonnes | les colonnes sont lues côte à côte au lieu de l'une sous l'autre | deux positions fusionnent en une seule |
| cellules fusionnées | une ligne de groupe vaut pour plusieurs lignes en dessous | le groupe n'est rattaché qu'à la première ligne |
| totaux et sous-totaux | ils ressemblent à des positions | un sous-total est donné comme prix unitaire |
| unité dans l'en-tête ou en note de bas de page | « tous les montants en milliers d'euros » figure hors du tableau | le montant est faux d'un facteur mille |
| format des nombres | selon la langue, la virgule et le point séparent les milliers ou les décimales | avec un format mal supposé, 1.234,56 euros deviennent un montant d'environ un euro |
| documents numérisés | la page est une image, pas du texte | sans reconnaissance de texte, le tableau manque entièrement |
| découpage en passages | le système RAG coupe les longs documents en morceaux – y compris au milieu d'un tableau | le passage trouvé contient des valeurs, mais pas la ligne à laquelle elles appartiennent |
Fixer les champs critiques
Tous les caractères n'ont pas la même importance. Déterminez pour chaque type de document les champs pour lesquels une erreur rend la réponse inutilisable. Pour les factures et les bordereaux de prestations, ce sont le plus souvent :
- le montant – avec devise et unité,
- le rattachement – à quelle position et à quelle colonne appartient le montant,
- la page source – où la valeur figure dans l'original,
- la date ou l'échéance, le cas échéant,
- le numéro de position ou d'article.
Tout le reste – mise en forme, texte courant, pieds de page – vous le vérifiez aussi, mais séparément.
Trois étapes, trois décomptes
Un montant faux dans la réponse peut être né à trois endroits. Qui ne vérifie que la réponse finale ne sait pas où se trouve l'erreur. Comptez donc les erreurs par étape :
- Lecture : après la conversion du PDF, la valeur figure-t-elle correctement dans le texte – dans la bonne ligne, sous la bonne colonne ?
- Recherche : pour une question, la recherche fournit-elle le passage qui contient la valeur et sa ligne avec le lien à la colonne ?
- Réponse : la réponse donne-t-elle la bonne valeur avec la bonne unité et la bonne référence ?
Notez en outre de quel type d'erreur il s'agit :
| Type | Signification | Poids |
|---|---|---|
| manquant | la valeur figure dans le PDF, mais n'arrive pas | fâcheux – se remarque le plus souvent |
| faux | une valeur arrive, mais avec un mauvais rattachement, une mauvaise unité ou une mauvaise page | dangereux – a l'air juste |
| inventé | la valeur ne figure nulle part ainsi dans le document | le plus dangereux – invérifiable dans l'original |
Le déroulé du contrôle
- Jeu de test à partir de PDF réels. Prenez des documents qui existent réellement chez vous. Choisissez délibérément aussi les cas difficiles : tableaux sur plusieurs pages, documents numérisés, notes de bas de page avec unités, lignes de total.
- Saisir les valeurs attendues à l'avance. Faites consigner les champs critiques dans un petit tableau par quelqu'un qui connaît le document – avant que le système ne tourne.
- Vérifier chaque étape séparément. D'abord le texte converti, puis les passages trouvés, puis les réponses.
- Présenter séparément les erreurs sur les champs critiques. Une ligne propre dans le rapport, un seuil propre. La note globale figure en dessous, pas au-dessus.
- Recommencer à chaque changement. Autre lecteur de PDF, nouveau modèle de langage, découpage en passages modifié : même jeu, mêmes valeurs attendues.
Voici à quoi pourrait ressembler le tableau des valeurs attendues pour un document :
| Document | Page | Position | Colonne | Valeur attendue | Lecture | Recherche | Réponse |
|---|---|---|---|---|---|---|---|
| Bordereau de prestations A | 3 | 04.120 | Prix total hors taxes | (montant, devise) | |||
| Bordereau de prestations A | 4 | 04.130 | Prix unitaire | (montant, devise) | |||
| … |
Ce qui aide à construire un système RAG
Pour le RAG en entreprise, je propose les règles de construction suivantes dans le cadre de notre ébauche – indépendamment du logiciel utilisé :
- Reporter la ligne d'en-tête : chaque passage issu d'un tableau devrait contenir ses noms de colonnes, y compris sur les pages suivantes.
- Ne pas couper au milieu d'une ligne : aligner les limites des passages sur les lignes du tableau, pas sur un nombre fixe de caractères.
- Mémoriser la page : enregistrer pour chaque passage le numéro de page dans l'original, afin que la réponse puisse l'indiquer.
- Reprendre les unités : rattacher aux valeurs des indications comme « en milliers d'euros » tirées de l'en-tête ou d'une note de bas de page.
- Traiter les nombres avec leur devise comme une seule valeur, pas comme deux mots.
- Reconnaître les documents numérisés et les lire par reconnaissance de texte avant qu'ils n'entrent dans la recherche.
- Toujours répondre avec une référence, pour qu'un humain puisse vérifier la valeur dans l'original.
Comment searchit aide à vérifier
searchit est un moteur de recherche d'entreprise avec IA et sert de mémoire aux agents IA. Pour vérifier des fonds de PDF, ce sont surtout les fonctions suivantes qui aident :
- Reconnaissance de texte pour les documents numérisés : les documents numérisés et les images deviennent lisibles et consultables grâce à la reconnaissance de texte.
- Voir le texte du document : l'aperçu montre le texte d'un résultat sous une forme lisible. Vous voyez ainsi ce qu'un tableau est devenu une fois converti en texte – la première étape du contrôle.
- Le passage qui a produit le résultat : pour un résultat de la recherche sémantique, la liste de résultats montre le passage de texte qui a déclenché le résultat. Vous vérifiez ainsi la deuxième étape : le lien à la colonne figure-t-il dans le passage ?
- Montants reconnus par document : un onglet dédié dans l'aperçu montre les personnes, organisations, lieux et montants que searchit a reconnus dans le document. Vous comparez ainsi directement les valeurs reconnues avec votre tableau des valeurs attendues.
- Filtrer par montant : grâce aux montants reconnus, la recherche permet de filtrer par plages – par exemple « factures entre 50 000 et 100 000 euros ». Montant et devise y sont vérifiés comme une seule valeur. Comparez les résultats avec la liste des documents attendus.
- Provenance de chaque champ IA : chaque champ qu'un modèle de langage produit lors de l'indexation porte le modèle, la version du modèle, l'horodatage et l'identifiant du prompt. Après un changement de modèle, vous voyez quelle exécution a fourni quel résultat.
- Droits des systèmes sources : chaque utilisateur ne trouve que les documents qu’il a le droit de voir dans le système source, et un agent IA raccordé seulement ceux de son utilisateur – y compris pour les factures et les contrats.
Ce que searchit apporte comme moteur de recherche d'entreprise, la page Enterprise Search le montre sur searchit-agent.ai.
Questions fréquentes
Qu'est-ce que le RAG ?
La Retrieval-Augmented Generation : un système de recherche va chercher les passages pertinents dans vos documents, un modèle de langage en formule la réponse. La qualité de la réponse dépend donc d'abord de la façon dont les documents sont lus et trouvés.
Peut-on extraire de façon fiable les tableaux des PDF ?
Cela dépend du document. Les PDF produits numériquement avec des tableaux simples s'extraient le plus souvent bien ; les tableaux sur plusieurs pages, les cellules fusionnées et les documents numérisés sont plus difficiles. C'est pourquoi ce sont précisément ces cas qui ont leur place dans le jeu de test.
Pourquoi une note globale ne suffit-elle pas ?
Si elle pondère toutes les erreurs de la même façon, un montant mal rattaché ne pèse guère dans une note portant sur des milliers de caractères. Pour la réponse destinée au service achats, il peut pourtant être décisif.
Qu'est-ce qui est pire : une valeur manquante ou une valeur fausse ?
Une valeur fausse, et une valeur inventée pèse plus lourd encore. Une valeur manquante se remarque le plus souvent, une valeur fausse peut avoir l'air juste. C'est pourquoi le déroulé du contrôle compte les trois types séparément.
À quelle fréquence dois-je répéter le contrôle ?
À chaque modification qui influe sur la lecture, la recherche ou la réponse : autre lecteur de PDF, autre modèle de langage, autre découpage en passages – et lorsque de nouveaux types de documents s'ajoutent.
Conclusion
Dans un système RAG pour l'entreprise, un seul montant dans un tableau peut faire pencher la balance. Je commencerais donc par les champs critiques : fixez-les, vérifiez séparément la lecture, la recherche et la réponse, et présentez à part les valeurs fausses et inventées. Ainsi, l'erreur décisive reste visible à côté de la note globale.
Comment searchit lit vos PDF et quel passage il affiche comme résultat, nous vous le montrons volontiers avec vos propres documents – lors d'une démonstration.
Articles connexes : Évaluer des agents IA en entreprise · Meilleurs logiciels de recherche d'entreprise 2026
Ces articles pourraient aussi vous intéresser
Généré par IAEnterprise Search
Mémoire des agents IA pour l'entreprise : savoir de l'entreprise, faits et dossiers en cours comparés
Un agent IA sans mémoire recommence chaque jour de zéro. Mais selon l'éditeur, « mémoire » désigne autre chose : le savoir contenu dans les données de votre organisation, des …
Généré par IAEnterprise Search
Évaluer des agents IA en entreprise : mesurer séparément erreurs, questions en retour et retouches
En phase pilote, un agent IA fait souvent bonne impression. S'il fait gagner, en exploitation, plus de travail que n'en coûtent le contrôle et la maintenance, un taux de …
Généré par IAEnterprise Search
Pouvoir lire n'est pas pouvoir agir : tester en toute sécurité des agents IA avec accès en écriture
Un agent IA disposant de droits de lecture trouve des informations. Avec des droits d'écriture, il envoie des e-mails, modifie des enregistrements et crée des rendez-vous. …
