Table des Matières
Un assistant RAG pour manuels de maintenance retrouve les passages pertinents dans vos documents et fait répondre un modèle de langage à partir d'eux, page source à l'appui. L'essentiel du travail porte sur les documents : OCR des scans, découpage selon la structure, recherche hybride pour les références, gestion des révisions, contrôle d'accès et jeu de test issu de vraies questions de techniciens.
Points clés
- La qualité de la recherche plafonne la qualité des réponses. Dans les tests publiés par Anthropic, la combinaison d'embeddings contextuels, de recherche par mots-clés (BM25) et de reranking a fait passer le taux d'échec de recherche sur les 20 premiers passages de 5,7 % à 1,9 % (Anthropic).
- La recherche vectorielle seule rate les chaînes exactes comme les références de pièces et les codes défaut. Associez-la à une recherche par mots-clés.
- Les documents arabes scannés restent difficiles à lire automatiquement : sur le benchmark KITAB-Bench, le meilleur modèle testé n'atteint que 65 % de précision pour convertir des PDF arabes en Markdown (Heakl et al., 2025).
- Les révisions périmées sont un problème de sécurité, pas seulement de recherche. Indexez le statut de révision et excluez par défaut les documents obsolètes.
- Le contrôle d'accès doit s'appliquer au moment de la recherche, avant qu'un texte n'atteigne le modèle (OWASP LLM08:2025).
Qu'est-ce que le RAG, en un paragraphe ?
La génération augmentée par la recherche (RAG, retrieval-augmented generation) associe un modèle de langage à un index de documents interrogeable. Le terme vient d'un article de 2020 de Lewis et al., qui couplait un générateur de texte à un index vectoriel dense de Wikipédia. Dans une usine, l'index contient les manuels, les procédures, l'historique des ordres de travail et les rapports d'inspection. Quand un technicien pose une question, le système récupère les passages les plus pertinents et demande au modèle de répondre uniquement à partir de ceux-ci, avec citations. Le modèle n'est pas réentraîné : il lit vos documents au moment de la question. Une mise à jour se résume donc à une réindexation, et chaque réponse peut être vérifiée sur la page.
À quoi ressemble le pipeline ?
Un pipeline de production comporte huit étapes. Construisez et testez chacune séparément.
| Étape | Rôle | Défaillance typique sur les documents de maintenance |
|---|---|---|
| Ingestion | Collecte les fichiers depuis la GED, les partages réseau et les exports de la GMAO | Doublons, métadonnées de révision absentes |
| OCR | Transforme les pages scannées en texte | Écriture arabe et chiffres mal lus, tableaux aplatis |
| Analyse et découpage | Découpe les documents en passages selon leur structure | Tableau de couples de serrage coupé en deux, avertissement séparé de son étape |
| Embeddings | Convertit chaque passage en vecteur | Modèle faible en arabe, en français ou sur le vocabulaire technique |
| Recherche | Trouve les passages candidats pour une question | Références de pièces et codes défaut exacts manqués |
| Reranking | Reclasse les candidats par pertinence | Supprimé pour gagner en latence, le bruit atteint le modèle |
| Génération | Rédige la réponse à partir des passages retenus | Mélange les sources ou comble les trous de mémoire |
| Citations | Relie chaque affirmation au document, à la révision et à la page | Renvoie au document entier au lieu du passage |
Ingestion : commencer par un inventaire
Listez les sources et leurs propriétaires : manuels constructeur, procédures internes, P&ID, rapports de maintenance, consignes HSE. Pour chacune, notez le format (PDF natif, scan, Word, tableur), la langue et qui décide de la révision en vigueur.
OCR : traiter les scans comme un projet à part
Beaucoup de sites conservent leurs manuels sous forme de PDF scannés. Les moteurs open source comme Tesseract fournissent des modèles pour l'arabe, le français et l'anglais (documentation Tesseract), mais l'arabe reste difficile. Les auteurs de KITAB-Bench l'expliquent par l'écriture cursive, le sens de lecture de droite à gauche et une typographie complexe, et citent parmi les erreurs récurrentes la reconnaissance des chiffres et la détection de la structure des tableaux (Heakl et al., 2025). Or c'est précisément dans les chiffres et les tableaux que se trouvent les valeurs de maintenance : vérifiez des échantillons d'OCR à la main et reliez chaque passage à l'image de sa page.
Découpage : suivre la structure du document
Un découpage en blocs de taille fixe coupe les tableaux et les procédures. Les outils qui exploitent la structure font mieux. Docling, lancé chez IBM Research, reconstitue la mise en page, l'ordre de lecture et la structure des tableaux, propose l'OCR des scans, peut tourner en local, y compris en environnement isolé (air-gapped), et est publié sous licence MIT. Son découpeur hybride suit les éléments du document, fusionne les petits fragments voisins qui partagent les mêmes titres et, par défaut, répète l'en-tête du tableau dans chaque fragment quand un tableau doit être scindé (documentation Docling sur le découpage).
Gardez aussi chaque avertissement dans le même passage que l'étape qu'il concerne, et enregistrez le chemin des titres (par exemple « Pompe P-101 / Remplacement des roulements ») en métadonnées. Anthropic recommande des passages de « généralement pas plus de quelques centaines de tokens » et souligne que la taille, les limites et le chevauchement des passages influencent tous la recherche (Anthropic). Traitez la taille des passages comme un paramètre à régler sur votre jeu de test.
Embeddings et recherche : passer à la recherche hybride
Les embeddings captent le sens (« échauffement roulement » retrouve « température palier élevée ») mais restent faibles sur les chaînes exactes. Anthropic donne l'exemple d'une requête sur le code d'erreur « TS-999 » : les embeddings peuvent renvoyer un texte général sur les codes d'erreur, alors que la recherche par mots-clés BM25 trouve la correspondance exacte (Anthropic). Les références de pièces, repères d'équipement et codes d'alarme se comportent de la même façon : lancez les deux recherches et fusionnez les résultats.
Pour un corpus multilingue, choisissez un modèle d'embeddings qui couvre vos langues. Le modèle ouvert BGE-M3 annonce la prise en charge de plus de 100 langues, produit des représentations denses, creuses (lexicales) et multi-vecteurs avec un seul modèle, accepte des entrées jusqu'à 8 192 tokens, et ses auteurs recommandent une recherche hybride suivie d'un reranker (fiche du modèle BAAI). Testez les candidats sur vos propres questions en arabe et en français, pas sur des classements généraux.
Reranking : filtrer avant de générer
Un reranker, en général un cross-encoder qui lit ensemble la question et chaque candidat, reclasse les passages récupérés pour ne transmettre au modèle que les meilleurs. Dans les expériences d'Anthropic, ajouter le reranking aux embeddings contextuels et au BM25 contextuel a porté la réduction des échecs de recherche de 49 % à 67 % (Anthropic). Envoyer moins de passages, mais de meilleure qualité, aide aussi la génération : des travaux sur les contextes longs montrent que les modèles exploitent plus fiablement l'information placée au début ou à la fin de l'entrée que celle placée au milieu (Liu et al., « Lost in the Middle »).
Génération et citations : rendre chaque réponse vérifiable
Demandez au modèle de répondre uniquement à partir des passages récupérés, de dire clairement quand les documents ne contiennent pas la réponse, et de citer numéro de document, révision et page pour chaque valeur. Affichez le passage cité à côté de la réponse. Un couple de serrage accompagné de son manuel, de sa révision et de sa page se vérifie en quelques secondes ; un chiffre seul ne mérite pas la confiance.
Pourquoi les documents de maintenance mettent-ils en échec un RAG basique ?
Tableaux et schémas. Jeux, couples de serrage et plans de lubrification se trouvent dans des tableaux. Si l'analyse aplatit un tableau en une ligne de chiffres, le modèle ne sait plus quelle valeur correspond à quel boulon. Conservez les tableaux sous forme de tableaux et indexez leur légende avec eux. Pour les vues éclatées, indexez au minimum la légende de la figure et la nomenclature voisine, avec un lien vers l'image de la page.
Références de pièces et codes. En plus de la recherche par mots-clés, normalisez les variantes (avec ou sans tirets, zéros en tête) et extrayez les identifiants dans un champ de métadonnées pour permettre le filtrage par équipement ou par pièce.
Arabe, français et anglais mélangés. Un manuel constructeur peut être en anglais, la procédure du site en français et le rapport de poste en arabe. Une question posée en arabe doit tout de même retrouver la procédure en français, ce qui exige un modèle d'embeddings interlingue, une recherche par mots-clés qui gère les deux écritures, et des réponses dans la langue de l'utilisateur citant la source d'origine. Pour aller plus loin sur la langue : des LLM qui comprennent la terminologie industrielle arabe.
Révisions et documents remplacés. C'est le piège aux conséquences réelles sur la sécurité. Si les révisions B et D d'une même procédure sont toutes deux indexées, la recherche peut renvoyer la version périmée. Enregistrez pour chaque document son numéro, sa révision, sa date d'application et son statut (en vigueur, remplacé, brouillon) en métadonnées, filtrez par défaut sur les documents en vigueur et, lors de l'approbation d'une nouvelle révision, marquez l'ancienne comme remplacée dans la même opération. N'affichez les révisions remplacées que sur demande explicite, par exemple lors d'une enquête après incident, et signalez-les clairement.
Comment évaluer les réponses ?
Construisez le jeu de test avant le système. Recueillez de vraies questions auprès des techniciens, planificateurs et ingénieurs, notez la bonne réponse et le passage qui la contient, et incluez des questions dont la réponse ne figure dans aucun document. Mesurez ensuite séparément la recherche et la génération.
| Ce qu'on mesure | Question posée | Méthode |
|---|---|---|
| Rappel de la recherche | Le bon passage figure-t-il dans les premiers résultats ? | Part des questions de test dont le passage source est dans les k premiers, la métrique qu'Anthropic publie en rappel à 20 |
| Fidélité (faithfulness) | Chaque affirmation de la réponse est-elle étayée par le texte récupéré ? | Ragas la note de 0 à 1 : affirmations étayées divisées par le total des affirmations |
| Précision et rappel du contexte | Les passages récupérés sont-ils pertinents et complets ? | Métriques Ragas du même nom |
| Comportement de refus | Le système répond-il « non trouvé » quand les documents sont muets ? | Questions sans réponse dans le jeu de test |
| Revue d'expert | Les valeurs liées à la sécurité sont-elles justes ? | Un ingénieur maintenance relit un échantillon de réponses |
Le framework Ragas a été conçu pour fonctionner sans annotations humaines de référence, et sa documentation définit la fidélité comme la proportion des affirmations d'une réponse étayées par le contexte récupéré. Les scores automatiques aident à comparer des versions ; ils ne remplacent pas un ingénieur qui vérifie les valeurs liées à la sécurité. Relancez le jeu de test après chaque modification de l'OCR, du découpage, des modèles ou des prompts.
Comment contrôler qui voit quoi ?
L'OWASP classe les faiblesses des vecteurs et des embeddings en LLM08 dans son Top 10 2025 des applications LLM. Il avertit que des contrôles d'accès insuffisants ou mal alignés peuvent exposer des embeddings contenant des informations sensibles, et recommande des contrôles d'accès fins, des bases vectorielles tenant compte des permissions et un cloisonnement strict des jeux de données (OWASP LLM08:2025).
Le schéma courant : à l'ingestion, recopier sur chaque passage la liste des groupes autorisés à lire le document, telle qu'elle existe dans le système source ; à la requête, filtrer la recherche selon les groupes de l'utilisateur authentifié. Microsoft documente ce schéma de « filtre de sécurité » pour Azure AI Search et précise que le principal n'est qu'une chaîne utilisée dans un filtre, sans authentification ni autorisation derrière (Microsoft Learn). Il en va de même pour toute base vectorielle : l'identité doit venir de l'authentification côté serveur, jamais du client, et les permissions doivent être resynchronisées quand elles changent à la source.
Les journaux de questions et les rapports de maintenance contiennent aussi des données personnelles, comme les noms des techniciens. En Algérie, la loi 18-07 du 10 juin 2018, modifiée et complétée par la loi 25-11 du 24 juillet 2025, encadre le traitement des données à caractère personnel. Selon le cabinet Gide, tout traitement doit être déclaré au préalable à l'autorité nationale (ANPDP), et les transferts de données personnelles vers l'étranger nécessitent en principe son autorisation préalable (Gide). C'est un argument pour garder tout le pipeline, journaux compris, sur votre propre infrastructure. Faites valider l'application de ces règles à votre cas par un juriste. Notre guide de l'IA souveraine on-premise traite du volet déploiement.
Check-list de mise en œuvre
- Inventorier les sources documentaires, leurs propriétaires, formats, langues et qui approuve les révisions.
- Choisir une famille d'équipements ou une unité pour le pilote, pas toute l'usine.
- Rédiger le jeu de test à partir de vraies questions avant de construire quoi que ce soit.
- Passer un échantillon de scans à l'OCR et vérifier chiffres et tableaux à la main.
- Analyser avec un outil qui exploite la structure ; garder tableaux et avertissements intacts.
- Étiqueter chaque passage avec numéro de document, révision, statut, langue, repères d'équipement, page et groupes d'accès.
- Indexer en recherche vectorielle et par mots-clés ; tester des questions d'une langue à l'autre.
- Ajouter un reranker et n'envoyer au modèle que les meilleurs passages.
- Exiger des citations et une réponse « non trouvé » quand les documents sont muets.
- Filtrer selon les permissions de l'utilisateur au moment de la recherche, avec une identité côté serveur.
- Exclure par défaut les révisions remplacées et lier la réindexation à l'approbation des documents.
- Relancer le jeu de test à chaque modification et faire relire régulièrement un échantillon de réponses par un ingénieur.
Quelle place pour DALILE ?
DALILE est le grand modèle de langage on-premise de KABAS AI pour les entreprises industrielles. Il fonctionne entièrement sur site et prend en charge l'arabe, le français et l'anglais : documents, embeddings et journaux restent sur votre infrastructure. ADFC (groupe Sonatrach) et ENAD Shymeca, deux clients qui utilisent Virtual Lab, étudient une intégration avec DALILE pour la recherche de connaissances et la documentation technique. Pour comprendre la différence entre un assistant documentaire et un agent qui agit sur les systèmes, lisez chatbot, copilote ou agent IA ; pour la présentation du produit, consultez le guide DALILE. Si vous exploitez des sites dans le pétrole et gaz ou l'industrie manufacturière et souhaitez cadrer un pilote sur vos propres manuels, commencez par la page DALILE.
Sources
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, 2020)
- Anthropic, Introducing Contextual Retrieval (septembre 2024)
- Heakl et al., KITAB-Bench: A Comprehensive Multi-Domain Benchmark for Arabic OCR and Document Understanding (arXiv, 2025)
- Documentation Tesseract, fichiers traineddata selon les versions
- Docling sur GitHub
- Documentation Docling, Chunking
- BAAI, fiche du modèle BGE-M3 (Hugging Face)
- Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv, 2023)
- Es et al., Ragas: Automated Evaluation of Retrieval Augmented Generation (arXiv, 2023)
- Documentation Ragas, Faithfulness
- OWASP, LLM08:2025 Vector and Embedding Weaknesses
- Microsoft Learn, Security filter pattern in Azure AI Search
- Gide, Protection of personal data: focus on Algerian regulations
Questions fréquentes
Qu'est-ce que le RAG appliqué à la documentation technique ?
Le RAG (retrieval-augmented generation, ou génération augmentée par la recherche) fait répondre un modèle de langage à partir de passages extraits de vos propres documents, et non de ce qu'il a mémorisé à l'entraînement. Pour la documentation technique, l'index contient les manuels, procédures et rapports de maintenance, et chaque réponse cite le document, la révision et la page d'origine.
Faut-il fine-tuner un modèle sur nos manuels de maintenance ?
En général, pas dans un premier temps. Le RAG lit vos documents au moment de la question : mettre à jour les connaissances revient à réindexer la nouvelle révision, pas à réentraîner un modèle. Le fine-tuning peut aider plus tard pour le vocabulaire ou le style, mais il n'apporte ni citations ni gestion des révisions.
Pourquoi mon système RAG ne trouve-t-il pas les références de pièces et les codes défaut ?
La recherche par embeddings capte le sens mais reste faible sur les chaînes exactes comme les références de pièces, les repères d'équipement et les codes d'erreur. Ajoutez une recherche par mots-clés (BM25) à la recherche vectorielle, fusionnez les résultats et extrayez les identifiants dans un champ de métadonnées filtrable.
Le RAG fonctionne-t-il avec des manuels scannés en arabe et en français ?
Oui, mais la qualité de l'OCR décide du résultat. L'OCR de l'arabe reste difficile, surtout pour les chiffres et les tableaux. Vérifiez à la main un échantillon de la sortie OCR avant l'indexation et gardez un lien entre chaque passage et l'image de la page d'origine pour que l'utilisateur puisse contrôler les valeurs.
Comment éviter que l'assistant cite une procédure périmée ?
Enregistrez pour chaque document son numéro, sa révision, sa date d'application et son statut en métadonnées, et filtrez par défaut sur les documents en vigueur. Lorsqu'une nouvelle révision est approuvée, indexez-la et marquez l'ancienne comme remplacée dans la même opération.
Un système RAG sur les documents de maintenance doit-il être déployé on-premise ?
Cela dépend de la sensibilité des documents et des journaux, et des règles qui s'appliquent à vous. Garder tout le pipeline sur votre propre infrastructure signifie que documents, embeddings, requêtes et journaux restent sous votre contrôle, ce qui simplifie les questions de contrôle d'accès et de protection des données.



