Graphe au lieu de RAG pour les documents réglementaires

Modèle de documents basé sur les graphes au lieu du RAG vectoriel : Expérience avec les documents réglementaires

Le RAG standard — découpage du texte en segments, vectorisation et recherche — échoue avec les documents réglementaires. La recherche sémantique trouve les clauses pertinentes mais ignore les sous-clauses, notes ou renvois associés. Le résultat : des réponses incomplètes où le modèle tire des conclusions à partir de fragments isolés, perdant le contexte essentiel.

Pour les questions impliquant des chaînes de réglementations, la récupération apporte du bruit ou manque des éléments clés. Le problème n'est pas le LLM, mais la représentation plate des documents, où l'unité de stockage minimale ne correspond pas à l'unité de sens.

Modèle structuré : Du texte à la hiérarchie de nœuds

Les documents sont modélisés comme un arbre d'éléments adressables :

• Nœud racine — le document entier.
• Sections, clauses, sous-clauses.
• Tableaux et formules comme nœuds séparés.
• Connexions entre les nœuds.
• Une couche séparée pour les termes avec leurs définitions.

L'indexation est basée sur la structure normalisée, pas sur des segments bruts après analyse. Cela préserve la hiérarchie et permet un accès précis aux éléments.

Regroupement contextuel : Pourquoi un seul nœud ne suffit pas

Les nœuds atomiques (clauses uniques) perdent le contexte local. Pour une question comme "sorties de secours minimales", vous avez besoin non seulement de la clause principale mais aussi :

• Des sous-clauses adjacentes au même niveau.
• Des notes.
• Des tableaux associés.
• Des renvois vers d'autres sections ou documents.

Le regroupement se fait par parent commun et niveau d'imbrication, avec une limite de taille. Il n'y a pas de taille universelle de segment : les petits groupes perdent du sens, les grands groupes ajoutent du bruit à la récupération. Le regroupement structurel améliore la robustesse des réponses en incluant des blocs significatifs dans l'index.

Récupération multi-mode : Au-delà de la recherche vectorielle

La recherche sémantique fonctionne pour les requêtes libres, mais les documents réglementaires exigent de la précision :

• Recherche ponctuelle par numéro de clause (ex. 6.2.2).
• Recherche de tableaux (ex. Tableau 7.1).
• Recherche lexicale et hybride.
• Couche terminologique.
• Recherche de renvois.

Une seule requête déclenche plusieurs stratégies en parallèle : recherche ponctuelle par clause + mots-clés + termes. Les résultats sont combinés dans un constructeur de contexte par un agent de recherche.

Couche terminologique pour la synonymie

Les utilisateurs et les documents utilisent des formulations différentes : termes officiels, abréviations, définitions dispersées. Les termes sont extraits séparément :

• Extraction depuis le document.
• Liaison aux définitions.
• Indexation séparée.
• Utilisation comme signal supplémentaire dans la récupération.

Cela connecte les requêtes par concepts aux fragments pertinents, améliorant le rappel.

Graphe de connexions : Contexte obligatoire

La hiérarchie ne garantit pas de récupérer les réglementations associées. Un graphe ajoute des relations typées :

• obligatoire — compagnon obligatoire d'un nœud.
• renvoi — référence croisée.
• Document ↔ nœud.
• Nœud ↔ tableau.
• Entre documents.

Lorsqu'un résultat pertinent est trouvé, la récupération ajoute de force les nœuds associés, même s'ils ne sont pas dans le top-k par sémantique. Cela évite les réponses incomplètes.

Améliorations pratiques du système

Le modèle basé sur les graphes rend les réponses robustes :

• Références précises aux clauses avec contexte.
• Gestion des tableaux sans perdre les descriptions.
• Distinction des termes des phrases similaires.
• Chaînes de réglementations au lieu de fragments isolés.

Le système cesse d'être un chat — il devient un outil pour des réponses vérifiables.

Points clés :

• Les documents ne sont pas du texte plat mais une hiérarchie adressable avec un graphe de connexions.
• La récupération est multi-couches : vectorielle + ponctuelle + termes + connexions.
• Regroupement par structure, pas par tokens, pour préserver le contexte.
• Les connexions obligatoires sont explicitement exprimées dans les données.
• Une question — plusieurs recherches avec composition des résultats.

Leçons pour les domaines complexes

La qualité du RAG dans les contextes réglementaires est déterminée par les données, pas par le modèle. Principaux enseignements :

• Structurez les documents comme un graphe de nœuds.
• Découpage par hiérarchie, avec taille adaptative.
• Composez les stratégies de récupération.
• Extrayez les termes et les connexions obligatoires.

Cela s'étend à d'autres domaines avec une structure rigide : code, spécifications, contrats.

— Editorial Team