Optimiser la pertinence de vos recherches

La qualité des résultats dépend de vous

Le moteur de recherche de xAI est performant, mais il ne fait que travailler la matière que vous lui donnez. Une collection mal préparée produira des résultats médiocres avec le meilleur des modèles, et l’équipe conclura à tort que « le RAG ne marche pas ». Trois leviers sont entre vos mains : la structure de vos documents, la formulation de vos requêtes et l’organisation de vos collections. Cette leçon les examine dans cet ordre, puis vous propose une méthode pour mesurer vos progrès.

Préparer les documents pour le découpage

Le moteur s’appuie sur la structure du document pour le découper en chunks : titres, sous-titres et paragraphes lui servent de repères. Un intitulé comme « Politique de remboursement pour les achats en ligne » donne au chunk une identité claire et le rend trouvable ; « Section 3.2.1 » n’apporte aucun signal exploitable, ni au découpage ni à la correspondance sémantique. Renommer les titres d’un manuel interne avant de l’indexer est souvent l’optimisation la plus rentable de tout le projet.

La taille des documents joue ensuite. Un PDF de 500 pages produit des centaines de chunks qui se concurrencent entre eux : plus le corpus interne d’un document est vaste et varié, plus le risque augmente qu’un extrait hors sujet obtienne un bon score. Découpez ces monolithes en sections thématiques, en visant plutôt des documents de vingt à cinquante pages consacrés à un sujet unique qu’un document omnibus qui traite de tout.

Reste la question du contexte. Chaque chunk sera lu isolément, arraché à ce qui le précède, ce qui condamne les références anaphoriques. Une phrase comme « comme mentionné ci-dessus, ce délai s’applique aussi aux commandes groupées » devient inexploitable une fois découpée : ni le délai ni son objet ne figurent dans le fragment. Écrivez « le délai de rétractation de quatorze jours s’applique aussi aux commandes groupées » et le chunk se suffit à lui-même.

Formuler de meilleures requêtes

La précision de la requête pèse autant que la qualité du corpus. Une recherche sur « sécurité » ramène des dizaines d’extraits disparates, du mot de passe au contrôle d’accès physique ; « configuration du pare-feu pour les connexions entrantes sur le port 443 » cible immédiatement les deux ou trois passages utiles. Quand vos documents emploient un vocabulaire technique établi, reprenez-le : même en mode hybrid, qui mêle correspondance exacte et compréhension sémantique, le terme littéral reste un signal fort.

Préférez enfin les questions complètes aux paquets de mots-clés. « Timeout connexion API » laisse le moteur deviner votre intention, alors que « Comment configurer le délai d’expiration des connexions à l’API ? » lui fournit une structure grammaticale à rapprocher de celle des phrases indexées. Le gain est particulièrement net en mode semantic, qui a été conçu pour du langage naturel.

Faire travailler les métadonnées et l’organisation

Si vous avez déclaré des métadonnées avec inject_into_chunk, elles sont incorporées au texte indexé et deviennent des points d’accroche. Un champ department injecté dans chaque chunk fait que la requête « procédure de validation dans l’équipe marketing » remonte spontanément les documents du département marketing, sans qu’aucun filtre explicite n’ait été posé.

L’organisation en collections thématiques produit le même effet à l’échelle supérieure. Plutôt qu’une collection unique qui contiendrait tout, séparez col_docs_techniques pour la documentation technique, col_procedures_internes pour les processus et col_support_client pour la FAQ et les guides utilisateur. Un assistant destiné aux clients n’interrogera alors que la troisième : moins de documents à fouiller, donc des résultats plus précis, et une facture moindre puisqu’aucun appel ne part vers des collections inutiles. Le mode de recherche complète ce réglage — keyword pour un code ou une référence exacte, semantic pour une question conceptuelle, hybrid dans le doute et par défaut.

Mesurer avant de déployer

Rien de tout cela ne vaut sans évaluation. Avant la mise en production, constituez un jeu de test : formulez dix à vingt questions représentant des cas réels, celles que vos utilisateurs posent vraiment et non celles que vous imaginez. Exécutez-les, jugez la pertinence des résultats renvoyés, et notez les requêtes qui reviennent avec des extraits inadéquats. Ce sont elles qui vous disent quoi corriger : améliorer la structure du document concerné, lui ajouter des métadonnées, ou reformuler la requête elle-même.

Les scores vous servent de thermomètre pendant cette boucle. Chaque résultat porte une valeur entre 0 et 1 ; si vos requêtes types plafonnent systématiquement sous 0,5, ne cherchez pas le problème du côté du modèle. Soit vos documents sont mal structurés, soit vos questions restent trop vagues, soit — cas le plus fréquent et le plus mal diagnostiqué — votre corpus ne contient tout simplement rien sur le sujet demandé. Reprendre ce même jeu de questions après chaque modification vous dira, chiffres à l’appui, si vous progressez.

Points clés à retenir

• La qualité des résultats dépend de la structure des documents, de la précision des requêtes et de l’organisation des collections
• Des titres explicites et des documents de taille raisonnable améliorent le découpage en chunks
• Des questions complètes en langage naturel donnent de meilleurs résultats que des mots-clés isolés
• Les métadonnées inject_into_chunk enrichissent les chunks et améliorent la pertinence
• Testez vos collections avec des requêtes types avant le déploiement en production