RAG au Maroc : construire un assistant documentaire fiable

Un projet RAG au Maroc vise à connecter un modèle de langage aux documents de l’entreprise afin de produire des réponses appuyées sur des sources retrouvées au moment de la question. La promesse paraît simple : rechercher, fournir le contexte au modèle, puis générer une réponse. En production, la fiabilité dépend surtout de la qualité documentaire, des droits d’accès, de la récupération, des citations et de l’évaluation continue.

Ce que le RAG apporte réellement

Le Retrieval-Augmented Generation ne remplace ni la gestion documentaire ni la gouvernance. Il ajoute une chaîne de recherche à l’usage d’un modèle génératif. Une question est transformée en requête, les passages pertinents sont récupérés, puis le modèle reçoit ces passages comme contexte. L’architecture de référence de Google Cloud pour les applications RAG distingue clairement l’ingestion, le service de réponse, les bases et l’évaluation de la qualité.

Cette séparation est utile : un modèle performant ne compense pas un index incomplet, un document obsolète ou une mauvaise permission. Un RAG au Maroc fiable se conçoit donc comme un système d’information complet, pas comme un simple chatbot branché sur un dossier de fichiers.

Partir d’un cas d’usage délimité

Un premier périmètre doit pouvoir être nommé précisément : retrouver une procédure interne, expliquer une clause contractuelle, préparer une réponse support ou assister la recherche dans un référentiel. L’audit IA aide à comparer ces usages selon la valeur, la faisabilité, le risque et l’adoption.

Le cadrage définit les utilisateurs autorisés, les sources admises, les langues, le niveau de sensibilité et les réponses que le système doit refuser. Il précise aussi quand une validation humaine reste obligatoire. Cette frontière protège l’utilisateur contre une confiance excessive dans une réponse formulée avec assurance.

Inventorier les sources avant de choisir la technologie

Les documents peuvent venir d’un espace partagé, d’un portail, d’une base de connaissances, d’un outil métier ou d’un stockage objet. Pour chaque source, il faut connaître le propriétaire, la fréquence de mise à jour, le format, les règles d’accès et la version de référence. Deux copies contradictoires d’une même procédure deviennent deux vérités concurrentes dans l’index.

Un inventaire utile distingue les documents valides, les archives, les brouillons et les pièces qui ne doivent jamais être indexées. Il définit aussi le chemin de suppression : retirer une source du système documentaire doit entraîner son retrait contrôlé de l’index et des caches.

Préparer les documents sans perdre leur structure

L’ingestion convertit les PDF, fichiers bureautiques, pages web ou enregistrements en contenu exploitable. Les documents numérisés nécessitent d’abord un OCR et un contrôle de qualité. Les tableaux, titres, listes, notes et numéros de page doivent rester liés au texte qu’ils expliquent. Le guide sur le traitement intelligent de documents détaille cette étape en amont.

Une extraction réussie conserve aussi la provenance : identifiant du document, version, auteur ou service, date de validité, langue, emplacement et niveau de confidentialité. Sans ces métadonnées, il devient difficile de filtrer, citer ou retirer correctement une information.

Découper le contenu selon le sens

Le découpage, ou chunking, détermine les unités proposées au moteur de recherche. Des fragments trop courts perdent le contexte ; des fragments trop longs mélangent plusieurs sujets et occupent inutilement la fenêtre du modèle. La bonne taille dépend de la structure et du type de question, pas d’un chiffre universel.

Il est souvent préférable de respecter les sections, les articles, les questions-réponses et les limites de tableau. Chaque fragment doit conserver son titre, sa hiérarchie et un lien vers le document d’origine. Plusieurs stratégies peuvent coexister selon le corpus, puis être comparées avec un jeu de questions réel.

Associer métadonnées et droits d’accès

La recherche sémantique ne doit jamais contourner les permissions. Les droits peuvent être portés par document, groupe, service, projet, client ou niveau de confidentialité. Ils sont appliqués au moment de la récupération, avant que le texte ne soit transmis au modèle. La documentation Microsoft sur le RAG et la recherche souligne le besoin d’un contrôle granulaire et du filtrage de sécurité au niveau documentaire.

Les filtres de métadonnées servent également à limiter une recherche à une langue, une période, une version ou une entité. Le guide officiel d’OpenAI sur la récupération décrit ces filtres par attributs. Dans une architecture indépendante du fournisseur, le principe reste le même : l’index doit connaître le périmètre autorisé avant de classer les résultats.

Combiner recherche lexicale et sémantique

La recherche vectorielle rapproche les formulations par leur sens. La recherche lexicale reste utile pour les références exactes, codes produit, numéros d’article, sigles et noms propres. Une recherche hybride combine les deux signaux, puis un mécanisme de classement peut réordonner les passages les plus pertinents.

Il faut conserver un seuil minimal de pertinence. Lorsque les résultats sont faibles, le système doit l’indiquer et éviter de fabriquer une réponse. Ajouter davantage de fragments n’améliore pas automatiquement la qualité : du contexte peu pertinent peut détourner le modèle de la bonne source.

Rédiger un contrat de réponse

Le message système doit définir comment utiliser les sources, comment citer et dans quels cas s’abstenir. Il peut demander au modèle de distinguer le fait retrouvé, l’interprétation et l’information absente. Pour un domaine sensible, la réponse peut rester limitée à une synthèse suivie des extraits et des liens de référence.

Ce contrat doit être testé, versionné et observable comme du code. Il ne remplace pas les protections d’accès ni la validation serveur. Un utilisateur ne doit pas pouvoir modifier, par sa question, la politique qui interdit d’exposer un document non autorisé.

Afficher des citations vérifiables

Une citation utile renvoie à un document identifiable, à sa version et, si possible, à une section ou une page. Elle permet à l’utilisateur de vérifier le contexte et de détecter une interprétation abusive. Une simple liste de fichiers en fin de réponse ne prouve pas que chaque affirmation est soutenue.

L’application doit conserver la correspondance entre les fragments récupérés et les phrases produites. Lorsque deux sources se contredisent, elle peut présenter le désaccord ou demander une clarification au lieu de choisir silencieusement.

Traiter le français, l’arabe et l’anglais

Un corpus marocain peut mélanger français, arabe classique, anglais, translittération et terminologie interne. L’évaluation doit donc couvrir les questions dans chaque langue et les recherches croisées entre langues. Les acronymes, variantes orthographiques, noms de produits et mots en darija doivent être observés dans les requêtes réelles.

Le système peut détecter la langue, enrichir une requête avec des variantes ou utiliser un modèle d’embeddings multilingue. Il doit cependant conserver la langue de la source dans la citation et éviter de traduire un terme réglementaire sans signaler cette transformation.

Maintenir un index à jour

La fraîcheur fait partie de la qualité. L’ingestion doit détecter les créations, modifications et suppressions, puis mettre à jour uniquement ce qui change. Chaque fragment conserve une version et un état de validité. Une réindexation interrompue ne doit pas remplacer un index cohérent par un état partiel.

Il faut aussi prévoir les migrations de modèle d’embeddings, de schéma de métadonnées et de stratégie de découpage. Les changements sont testés sur un index séparé, comparés, puis déployés avec une procédure de retour arrière.

Évaluer d’abord la récupération

Une mauvaise réponse peut venir de la recherche ou de la génération. L’évaluation commence donc par vérifier si les bons passages figurent dans les résultats et à quel rang. Un jeu de test associe des questions représentatives aux sources attendues, y compris des questions sans réponse et des formulations ambiguës.

Ensuite, la réponse est évaluée sur sa fidélité aux sources, sa pertinence, la qualité des citations et sa capacité à s’abstenir. L’architecture Google Cloud inclut d’ailleurs un sous-système d’évaluation distinct portant notamment sur l’exactitude factuelle et la pertinence. Ces mesures sont suivies par version du corpus, du modèle et du prompt.

Construire un jeu de test métier

Les meilleures questions viennent des tickets, recherches, procédures et échanges réels, après anonymisation. Il faut couvrir les cas fréquents, les exceptions, les documents proches, les versions anciennes et les demandes non autorisées. Des experts métier valident les réponses attendues et les sources de référence.

Ce jeu évolue à chaque incident ou retour utilisateur. Il devient un actif du produit : avant une modification de l’index, du modèle ou du prompt, les tests vérifient que la qualité ne régresse pas.

Résister à l’injection et aux contenus piégés

Un document indexé peut contenir une instruction malveillante destinée au modèle. Le contenu récupéré doit être traité comme une donnée non fiable, jamais comme une autorité capable de modifier les règles du système. Les risques décrits par l’OWASP Top 10 pour les applications LLM imposent aussi de contrôler les sorties, les outils appelés et les contenus ajoutés au corpus.

L’ingestion vérifie la source, le type de fichier et le statut éditorial. Les actions sensibles restent soumises à une autorisation explicite et à des validations déterministes. Un assistant documentaire ne doit pas acquérir implicitement le droit d’exécuter une opération métier.

Protéger les données et les journaux

Les fragments, embeddings, questions et réponses peuvent contenir des informations sensibles. La gouvernance des données doit préciser la finalité, la conservation, le chiffrement, l’accès, l’audit et la suppression. Les journaux de diagnostic minimisent les données et masquent les secrets.

Le choix entre service managé, cloud privé ou hébergement interne dépend des contraintes du corpus. Le guide sur le LLM privé au Maroc aide à cadrer cette décision, mais le niveau de confidentialité de chaque source reste le point de départ.

Observer la chaîne complète

Une exploitation fiable suit le temps d’ingestion, les documents en erreur, la fraîcheur de l’index, les requêtes sans résultat, les sources les plus citées, les refus et les temps de réponse. Elle relie une réponse à la version du corpus, du moteur de recherche, du modèle et du prompt.

Cette traçabilité rejoint le MLOps : versionner, tester, déployer progressivement et revenir en arrière. Les retours des utilisateurs sont qualifiés avant d’alimenter les évaluations ; un simple pouce positif ne suffit pas à diagnostiquer la récupération.

Déployer un pilote contrôlé

Un pilote commence par un corpus maîtrisé et un groupe d’utilisateurs identifié. Il mesure la capacité à retrouver la bonne source, à répondre avec fidélité, à citer et à refuser. Les erreurs sont classées entre ingestion, permissions, recherche, génération et interface.

Une fois ces mécanismes stables, le périmètre peut s’étendre à d’autres sources ou s’intégrer à des agents IA métier. L’automatisation d’une action ne vient qu’après la fiabilité de l’information et le contrôle des autorisations.

Les erreurs à éviter

• indexer tous les fichiers sans propriétaire ni statut ;
• appliquer les droits après la génération de la réponse ;
• évaluer seulement le style du texte produit ;
• cacher les sources ou citer un document sans passage précis ;
• répondre malgré une récupération faible ou contradictoire ;
• déployer sans procédure de suppression et de réindexation.

Transformer les documents en connaissance vérifiable

Un RAG au Maroc fiable relie quatre disciplines : documentation maîtrisée, recherche pertinente, génération contrainte et évaluation continue. Le bénéfice ne vient pas du volume indexé, mais de réponses que l’utilisateur peut vérifier et auxquelles il est réellement autorisé à accéder. Pour cadrer un corpus, une architecture et un pilote multilingue, découvrez le service Intelligence Artificielle de Kanteek ou échangez avec notre équipe.