{"id":97881,"date":"2026-09-25T08:09:17","date_gmt":"2026-09-25T05:09:17","guid":{"rendered":"https:\/\/twodots.gr\/?p=97881"},"modified":"2026-09-25T08:09:19","modified_gmt":"2026-09-25T05:09:19","slug":"reclassement-des-rag-causaux-reponses-a-toutes-les-questions","status":"publish","type":"post","link":"https:\/\/twodots.gr\/fr\/causal-rag-reranking-sosti-apantisi\/","title":{"rendered":"RAG causal : quand la similitude entre les mots ne permet pas de trouver la bonne r\u00e9ponse"},"content":{"rendered":"<div class=\"td-article-lede\">\n<p><strong>R\u00e9ponse d'abord :<\/strong> Le reclassement causal RAG peut s'av\u00e9rer utile lorsqu'un moteur de recherche d'entreprise affiche des documents qui reprennent les mots de la requ\u00eate mais ne contiennent pas la r\u00e9ponse. Cette m\u00e9thode \u00e9limine de chaque document candidat le vocabulaire commun avec la requ\u00eate et examine si les termes restants sont li\u00e9s \u00e0 l'information recherch\u00e9e.<\/p>\n<p>Il ne s'agit pas d'une am\u00e9lioration g\u00e9n\u00e9rale des performances de recherche. Dans l'\u00e9tude, le mod\u00e8le a donn\u00e9 de bons r\u00e9sultats dans un environnement de \u00ab keyword stuffing \u00bb, mais ses performances ont fortement baiss\u00e9 sur trois benchmarks BEIR g\u00e9n\u00e9raux. Pour une entreprise, la conclusion qui s'impose est claire : activation uniquement apr\u00e8s des tests sur des \u00e9chantillons \u00e9tiquet\u00e9s issus de son propre corpus, comparaison avec la r\u00e9f\u00e9rence et retour en arri\u00e8re en toute s\u00e9curit\u00e9 lorsque le b\u00e9n\u00e9fice n'est pas d\u00e9montr\u00e9.<\/p>\n<\/div>\n<div class=\"td-article-toc\">\n<div class=\"td-toc-title\">Sommaire<\/div>\n<ul>\n<li><a href=\"#giati-similarity-lathos-eggrafo\">Pourquoi l'analyse de similarit\u00e9 peut-elle s\u00e9lectionner un document erron\u00e9 ?<\/a><\/li>\n<li><a href=\"#ti-einai-causal-rag-reranking\">Qu'est-ce que le \u00ab causal RAG reranking \u00bb exactement ?<\/a><\/li>\n<li><a href=\"#attention-score-choris-training\">Comment fonctionne le score de type \u00ab attention \u00bb sans nouvel apprentissage ?<\/a><\/li>\n<li><a href=\"#semantic-absorption\">Pourquoi l'absorption s\u00e9mantique est-elle n\u00e9cessaire ?<\/a><\/li>\n<li><a href=\"#knowledge-base-471-eggrafa\">Que r\u00e9v\u00e8lent les 471 documents en termes de base de connaissances r\u00e9elle ?<\/a><\/li>\n<li><a href=\"#diagnostic-keyword-stuffing\">Le test de diagnostic pour le bourrage de mots-cl\u00e9s<\/a><\/li>\n<li><a href=\"#beir-arnitika-apotelesmata\">Les r\u00e9sultats n\u00e9gatifs obtenus aux tests de performance BEIR modifient la conclusion<\/a><\/li>\n<li><a href=\"#calibration-gate\">La porte d'\u00e9talonnage avant la production<\/a><\/li>\n<li><a href=\"#kostos-idiotikotita-exartiseis\">Co\u00fbt, confidentialit\u00e9 et d\u00e9pendances techniques<\/a><\/li>\n<li><a href=\"#epicheirimatiki-axia\">Qu'est-ce que cela signifie pour un RAG op\u00e9rationnel ?<\/a><\/li>\n<li><a href=\"#epta-vimata-pilot\">Sept \u00e9tapes pour un pilotage en toute s\u00e9curit\u00e9<\/a><\/li>\n<li><a href=\"#periorismoi-symperasma\">Limites et conclusion pratique<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"giati-similarity-lathos-eggrafo\">Pourquoi l'analyse de similarit\u00e9 peut-elle s\u00e9lectionner un document erron\u00e9 ?<\/h2>\n<p>Un syst\u00e8me RAG classique convertit la requ\u00eate et les documents en repr\u00e9sentations, calcule la similarit\u00e9 cosinus et retient les meilleurs candidats. Il peut ensuite int\u00e9grer un \u00ab cross-encoder reranker \u00bb. Le raisonnement est logique : un document pertinent devrait \u00eatre s\u00e9mantiquement proche de la requ\u00eate. Cependant, la similarit\u00e9 mesure si deux textes traitent d'un sujet similaire, et non si l'un d'eux contient les \u00e9l\u00e9ments n\u00e9cessaires \u00e0 une r\u00e9ponse correcte.<\/p>\n<p>Le travail <em>De l'association \u00e0 la causalit\u00e9<\/em> part d\u2019un cas d\u2019entreprise concernant l\u2019\u00e9valuation de la s\u00e9curit\u00e9 des transferts transfrontaliers de donn\u00e9es. Les documents relatifs aux donn\u00e9es automobiles se sont class\u00e9s en t\u00eate car ils reprenaient fr\u00e9quemment des termes tels que \u00ab donn\u00e9es \u00bb, \u00ab transfrontalier \u00bb, \u00ab donn\u00e9es \u00bb, \u00ab transfrontalier \u00bb, \u00ab s\u00e9curit\u00e9 \u00bb et \u00ab \u00e9valuation \u00bb. La directive d\u00e9crivant la proc\u00e9dure recherch\u00e9e s\u2019est class\u00e9e en sixi\u00e8me position, car elle expliquait les diff\u00e9rentes \u00e9tapes \u00e0 l\u2019aide d\u2019un vocabulaire plus technique et sp\u00e9cialis\u00e9.<\/p>\n<p>Pour une entreprise, il s'agit d'un probl\u00e8me li\u00e9 au produit et pas seulement d'un indicateur de classement. Si des informations erron\u00e9es sont introduites dans la prompt, m\u00eame un LLM puissant est limit\u00e9 par un contexte insuffisant. Une r\u00e9ponse fiable commence par la recherche d'informations, comme le montre l'architecture pratique d'un <a href=\"https:\/\/twodots.gr\/private-chatbot-rag-knowledge-base-business\/\">chatbot priv\u00e9 avec RAG bas\u00e9 sur la base de connaissances de l'entreprise<\/a>.<\/p>\n<h2 id=\"ti-einai-causal-rag-reranking\">Qu'est-ce que le \u00ab causal RAG reranking \u00bb exactement ?<\/h2>\n<p>La proposition ne construit pas de graphe de causes au sein des documents et ne demande pas au LLM de suivre des chemins causaux. Elle mod\u00e9lise le processus de recherche. Pour chaque document retrouv\u00e9, l'ensemble latent <strong>A<\/strong> comprend les termes communs \u00e0 la question et au document, qu'il s'agisse d'une correspondance exacte ou d'une proximit\u00e9 s\u00e9mantique. Le <strong>B<\/strong> comprend le vocabulaire r\u00e9siduel et pond\u00e9r\u00e9 du document.<\/p>\n<p>Dans le sch\u00e9ma des auteurs, A sert de cause commune \u00e0 la question et au document, tandis que B relie le document \u00e0 la r\u00e9ponse id\u00e9ale. Le document r\u00e9cup\u00e9r\u00e9 est un \u00ab collider \u00bb dans la structure A \u2192 d \u2190 B. Son s\u00e9lection en tant que candidat \u00ab \u00e9tablit \u00bb une corr\u00e9lation entre la requ\u00eate et B, que la m\u00e9thode utilise comme motivation pour un nouveau score.<\/p>\n<p>Il convient d'accorder une attention particuli\u00e8re \u00e0 la terminologie. Les auteurs indiquent clairement qu\u2019ils n\u2019estiment pas l\u2019effet causal et que le score n\u2019est pas un estimant causal identifi\u00e9. L\u2019article fournit une justification structurelle et motivationnelle ; ce sont les exp\u00e9riences qui permettront de d\u00e9terminer si le concept fonctionne.<\/p>\n<aside class=\"td-article-note\"><strong>D\u00e9finition du terme \u00ab causal \u00bb :<\/strong> Cette technique est une heuristique fond\u00e9e sur des liens de causalit\u00e9 pour la recherche de terminaux. Elle ne prouve pas qu'un document suscite une r\u00e9ponse et ne remplace pas les \u00e9tiquettes de pertinence, l'\u00e9valuation hors ligne ou l'examen du domaine.<\/aside>\n<div class=\"td-comparison td-comparison-cards td-comparison-cards--horizontal\">\n<div class=\"td-comparison-grid td-comparison-grid--three\">\n<div class=\"td-platform-card\">\n<p class=\"td-comparison-title\">Seuil de similarit\u00e9<\/p>\n<p>Il r\u00e9compense la proximit\u00e9 s\u00e9mantique globale et peut \u00eatre induit en erreur lorsque des documents sans rapport reprennent le vocabulaire de la requ\u00eate.<\/p>\n<div class=\"td-badge-row\"><span class=\"td-badge\">Rapide<\/span><span class=\"td-badge\">Une base de r\u00e9f\u00e9rence solide<\/span><\/div>\n<\/div>\n<div class=\"td-platform-card\">\n<p class=\"td-comparison-title\">Cross-encoder<\/p>\n<p>Il \u00e9value \u00e0 la fois la requ\u00eate et le document. Sur le petit corpus de diagnostic, il a l\u00e9g\u00e8rement am\u00e9lior\u00e9 le classement cible, mais n'a pas r\u00e9solu le probl\u00e8me de bourrage de mots-cl\u00e9s.<\/p>\n<div class=\"td-badge-row\"><span class=\"td-badge\">Supervis\u00e9<\/span><span class=\"td-badge\">2,63 rang moyen<\/span><\/div>\n<\/div>\n<div class=\"td-platform-card td-platform-card--navy\">\n<p class=\"td-comparison-title\">Causal ou hybride<\/p>\n<p>Il \u00e9value le vocabulaire r\u00e9siduel B et peut \u00eatre combin\u00e9 avec la similarit\u00e9, mais ne doit \u00eatre activ\u00e9 que dans les corpus o\u00f9 le gain est mesurable.<\/p>\n<div class=\"td-badge-row\"><span class=\"td-badge\">Sans apprentissage<\/span><span class=\"td-badge\">\u00c9talonnage d'abord<\/span><\/div>\n<\/div>\n<\/div>\n<\/div>\n<h2 id=\"attention-score-choris-training\">Comment fonctionne le score de type \u00ab attention \u00bb sans nouvel apprentissage ?<\/h2>\n<p>Le processus s'applique \u00e0 l'ensemble de documents candidats, d\u00e9j\u00e0 restreint, fourni par le moteur de recherche. Un extracteur de mots-cl\u00e9s g\u00e9n\u00e8re des termes pond\u00e9r\u00e9s pour la requ\u00eate et chaque document candidat. Les termes du document qui correspondent exactement ou s\u00e9mantiquement au vocabulaire de la requ\u00eate sont transf\u00e9r\u00e9s vers A. Lors des exp\u00e9riences, un seuil d'absorption s\u00e9mantique de 0,6 a \u00e9t\u00e9 utilis\u00e9.<\/p>\n<p>Pour les termes restants dans B, on calcule un embedding de centro\u00efde pond\u00e9r\u00e9. Le score d'attention causale correspond \u00e0 la similarit\u00e9 cosinus entre l'embedding de la question et ce centro\u00efde. Un document qui se contente de r\u00e9p\u00e9ter les mots de la question pr\u00e9sente un B faible ou pauvre et a tendance \u00e0 \u00eatre d\u00e9class\u00e9. Un document dont le vocabulaire r\u00e9siduel d\u00e9crit le processus ou l'\u00e9l\u00e9ment contenant la r\u00e9ponse peut \u00eatre reclass\u00e9 \u00e0 la hausse.<\/p>\n<p>Cette m\u00e9thode ne n\u00e9cessite aucun r\u00e9glage fin et, conform\u00e9ment au flux propos\u00e9, n'ajoute pas d'appel LLM au moment de la requ\u00eate. Elle ajoute l'extraction de mots-cl\u00e9s et des embeddings pour des dizaines de termes r\u00e9siduels dans un ensemble de candidats de taille \u00e0 un chiffre ou \u00e0 deux chiffres. Cela peut sembler faible par rapport \u00e0 la recherche initiale, mais ne constitue pas une garantie universelle en mati\u00e8re de latence pour toutes les infrastructures.<\/p>\n<h2 id=\"semantic-absorption\">Pourquoi l'absorption s\u00e9mantique est-elle n\u00e9cessaire ?<\/h2>\n<p>La version \u00ab exact-match \u00bb ne retirait de B que les termes qui correspondaient exactement \u00e0 la requ\u00eate. Le probl\u00e8me est qu\u2019un distracteur peut utiliser des synonymes ou une terminologie apparent\u00e9e et conserver dans B suffisamment de signaux superficiels pour obtenir un score \u00e9lev\u00e9. L\u2019absorption s\u00e9mantique transf\u00e8re vers A les termes proches des termes de la requ\u00eate dans l\u2019espace d\u2019embedding.<\/p>\n<p>Dans le corpus test\u00e9, la variante \u00ab exact-match \u00bb a pr\u00e9sent\u00e9 un comportement irr\u00e9gulier. La variante \u00ab semantic \u00bb a plac\u00e9 le document contenant la r\u00e9ponse en premi\u00e8re ou deuxi\u00e8me position pour les huit th\u00e8mes. La position moyenne s'est am\u00e9lior\u00e9e, passant de 2,88 dans la r\u00e9f\u00e9rence de similarit\u00e9 \u00e0 1,25, tandis que la position moyenne des deux distracteurs bourr\u00e9s de mots-cl\u00e9s par sujet est pass\u00e9e de 2,00 \u00e0 4,50.<\/p>\n<p>Le score hybride, qui accorde une pond\u00e9ration \u00e9gale \u00e0 la similarit\u00e9 normalis\u00e9e et au score d\u2019attention causale, a atteint une position moyenne de 1,38 et, dans ces s\u00e9ries de tests, n\u2019a pas plac\u00e9 la cible en dessous de la valeur de r\u00e9f\u00e9rence. Cela plaide en faveur d'une fusion prudente des signaux, comme c'est le cas dans le <a href=\"https:\/\/twodots.gr\/hybrid-ai-search-papers-with-code\/\">Recherche hybride bas\u00e9e sur l'IA combinant mots, embeddings et solutions de repli<\/a>, ce qui ne prouve pas qu'une r\u00e9partition fixe de 50\/50 soit optimale dans tous les cas.<\/p>\n<h2 id=\"knowledge-base-471-eggrafa\">Que r\u00e9v\u00e8lent les 471 documents en termes de base de connaissances r\u00e9elle ?<\/h2>\n<p>L'\u00e9tude de cas de d\u00e9ploiement a utilis\u00e9 471 fichiers locaux d'une taille totale de 2,95 Go : lois, r\u00e8glements, rapports internes, ouvrages sp\u00e9cialis\u00e9s et articles au format Word et PDF. Les fichiers ont \u00e9t\u00e9 nettoy\u00e9s, divis\u00e9s en segments de 4 096 caract\u00e8res avec un chevauchement de 512, puis int\u00e9gr\u00e9s \u00e0 l'aide de BGE-M3 dans des vecteurs de 1 024 dimensions.<\/p>\n<p>En ce qui concerne la question de la s\u00e9curit\u00e9 des transports transfrontaliers, la directive appropri\u00e9e est pass\u00e9e de la sixi\u00e8me place au top 3. Ce r\u00e9sultat d\u00e9montre que le m\u00e9canisme a corrig\u00e9 une v\u00e9ritable erreur au sein de ce corpus sp\u00e9cifique. Il ne s'agit pas d'une preuve statistique d'une sup\u00e9riorit\u00e9 g\u00e9n\u00e9rale : il s'agit d'une \u00e9tude de cas s\u00e9lectionn\u00e9e, tandis que l'analyse quantitative contr\u00f4l\u00e9e provient des exp\u00e9riences suivantes.<\/p>\n<p>Ce sc\u00e9nario est familier aux gestionnaires de connaissances. \u00c0 mesure que s\u2019accumulent les versions, les notes de politique, les pr\u00e9sentations et autres manuels similaires, la proximit\u00e9 th\u00e9matique s\u2019accro\u00eet. L'architecture de recherche doit alors faire la distinction entre \u00ab traite du m\u00eame sujet \u00bb et \u00ab contient la proc\u00e9dure demand\u00e9e \u00bb. Les techniques de compression, telles que les <a href=\"https:\/\/twodots.gr\/semantic-compression-trees-rag-context\/\">Arbres de compression s\u00e9mantique pour r\u00e9duire le contexte RAG<\/a>, elles apportent une r\u00e9ponse \u00e0 un aspect diff\u00e9rent du probl\u00e8me et ne remplacent pas le choix d'une preuve pertinente.<\/p>\n<h2 id=\"diagnostic-keyword-stuffing\">Le test de diagnostic pour le bourrage de mots-cl\u00e9s<\/h2>\n<p>Pour disposer d'une \u00ab ground truth \u00bb connue, les chercheurs ont constitu\u00e9 un petit corpus synth\u00e9tique comprenant huit sujets, dont cinq en chinois et trois en anglais. Chaque th\u00e8me comportait une cible contenant la r\u00e9ponse, des textes quasi-pertinents, deux distracteurs d\u00e9lib\u00e9r\u00e9ment bourr\u00e9s de mots-cl\u00e9s et des documents non pertinents. Les th\u00e8mes abordaient la s\u00e9curit\u00e9 du transfert de donn\u00e9es, les traitements de la m\u00e9decine traditionnelle chinoise, la t\u00e2che de s\u00e9lection de Wason, le nettoyage des donn\u00e9es de pr\u00e9-entra\u00eenement des LLM, l'\u00e9valuation de l'impact sur la vie priv\u00e9e, ColBERT et SPLADE.<\/p>\n<p>Le cross-encoder BGE-reranker-v2-m3 n'a am\u00e9lior\u00e9 la position moyenne de la cible que de 2,88 \u00e0 2,63 et a laiss\u00e9 les distracteurs pr\u00e8s du sommet. La variante \u00ab semantic causal \u00bb a atteint 1,25. Ce r\u00e9sultat montre que la technique r\u00e9sout le mode de d\u00e9faillance pour lequel elle a \u00e9t\u00e9 con\u00e7ue, mais ne signifie pas pour autant qu\u2019elle excelle dans toutes les charges de travail de recherche.<\/p>\n<div class=\"td-chart td-chart--metrics\">\n<div class=\"td-chart-head\">\n<p class=\"td-chart-kicker\">Image document\u00e9e<\/p>\n<p class=\"td-chart-title\">Quatre nombres qui d\u00e9finissent la plage de la m\u00e9thode<\/p>\n<p class=\"td-chart-intro\">Ces valeurs proviennent de diff\u00e9rentes exp\u00e9riences men\u00e9es dans le cadre de la m\u00eame \u00e9tude et doivent \u00eatre consid\u00e9r\u00e9es conjointement avec le corpus correspondant.<\/p>\n<\/div>\n<div class=\"td-metric-grid\">\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">471<\/span><span class=\"td-metric-label\">documents relatifs \u00e0 l'\u00e9tude de cas d'entreprise<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">2,88 \u2192 1,25<\/span><span class=\"td-metric-label\">rang cible moyen dans le corpus de diagnostic<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">2,00 \u2192 4,50<\/span><span class=\"td-metric-label\">rang moyen des distracteurs : plus il est bas, mieux c'est pour la cible<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">30<\/span><span class=\"td-metric-label\">sondes pour une d\u00e9sactivation correcte de \u226595% lors des tests BEIR<\/span><\/div>\n<\/div>\n<p class=\"td-chart-source\">Source : arXiv 2608.21702 v1, tableaux 2 \u00e0 4.<\/p>\n<\/div>\n<h2 id=\"beir-arnitika-apotelesmata\">Les r\u00e9sultats n\u00e9gatifs obtenus aux tests de performance BEIR modifient la conclusion<\/h2>\n<p>Dans les ensembles de donn\u00e9es SciFact, NFCorpus et ArguAna du BEIR, le \u00ab causal score \u00bb a clairement sous-perform\u00e9. Dans SciFact, la m\u00e9thode de r\u00e9f\u00e9rence affichait un nDCG@10 de 0,642, le \u00ab cross-encoder \u00bb de 0,716 et le \u00ab causal score \u00bb de 0,157. Dans NFCorpus, les valeurs correspondantes \u00e9taient respectivement de 0,317, 0,337 et 0,136. Dans ArguAna, elles \u00e9taient de 0,398, 0,470 et 0,213.<\/p>\n<p>L'explication est plausible : dans les corpus de type \u00ab factoid \u00bb, le document pertinent utilise souvent exactement le vocabulaire de contenu de la question. Si ce vocabulaire est int\u00e9gr\u00e9 dans A, B peut se retrouver avec des termes distincts mais qui ne constituent pas une r\u00e9ponse pertinente. Le score r\u00e9compense alors des textes th\u00e9matiquement proches sans qu'ils constituent la meilleure preuve.<\/p>\n<p>Le cross-encoder et le causal score ne sont pas de simples concurrents. Le premier est performant lorsque la pertinence s\u00e9mantique \u00ab soft \u00bb constitue un signal fiable. Le second vise les contextes o\u00f9 ce signal est fauss\u00e9 par la r\u00e9p\u00e9tition et par des distracteurs proches du sujet. La bonne question est \u00ab dans quel type de corpus chacun fonctionne-t-il ? \u00bb, et non \u00ab quel reranker l'emporte-t-il en g\u00e9n\u00e9ral ? \u00bb.<\/p>\n<aside class=\"td-article-note\"><strong>La preuve par l'infirmation est un principe fondamental :<\/strong> Il ne faut pas activer le \u00ab causal score \u00bb simplement parce qu'il semble plus sophistiqu\u00e9. Dans les trois benchmarks publics, il a \u00e9t\u00e9 devanc\u00e9 par le \u00ab similarity baseline \u00bb, tandis que le \u00ab cross-encoder \u00bb s'est r\u00e9v\u00e9l\u00e9 le plus performant dans les trois cas.<\/aside>\n<h2 id=\"calibration-gate\">La porte d'\u00e9talonnage avant la production<\/h2>\n<p>Les auteurs ont test\u00e9 trois indicateurs peu co\u00fbteux par requ\u00eate sur les 10 meilleurs candidats : le chevauchement des mots-cl\u00e9s, le pourcentage de poids absorb\u00e9 dans A et l'\u00e9cart normalis\u00e9 entre les deux scores de similarit\u00e9 les plus \u00e9lev\u00e9s. Aucun de ces indicateurs n'a permis de distinguer de mani\u00e8re fiable le \u00ab keyword stuffing \u00bb du r\u00e9gime \u00ab factoid \u00bb. La relation entre le classement bas\u00e9 sur les mots-cl\u00e9s et la pertinence r\u00e9elle n'est pas visible sans \u00e9tiquettes.<\/p>\n<p>La proposition pratique consiste en un calibrage hors ligne au niveau du corpus. L'\u00e9quipe \u00e9chantillonne des requ\u00eates, identifie la r\u00e9ponse correcte \u00e0 l'aide d'un jugement humain ou d'un LLM supervis\u00e9, compare le classement de r\u00e9f\u00e9rence et le nouveau classement, puis active le reranker uniquement si la diff\u00e9rence est positive. Sur 2 000 tirages bootstrap, 30 sondes ont fourni une fiabilit\u00e9 d'au moins 95% pour la bonne d\u00e9cision de d\u00e9sactivation sur les trois ensembles de donn\u00e9es BEIR. Dans le petit corpus de diagnostic, quatre sondes ont fourni une fiabilit\u00e9 de 1 001 TP3T pour l'activation.<\/p>\n<p>Ces chiffres se rapportent \u00e0 ces donn\u00e9es. Ils ne garantissent pas que 30 sondes suffisent pour chaque organisme. L'\u00e9chantillon doit \u00eatre repr\u00e9sentatif du corpus et des intentions r\u00e9elles, tandis qu'une base de connaissances en constante \u00e9volution n\u00e9cessite un recalibrage p\u00e9riodique. La valeur architecturale r\u00e9side dans le \u00ab release gate \u00bb et le \u00ab fallback \u00bb, et non dans un benchmark ponctuel.<\/p>\n<div class=\"td-decision-band\">\n<p class=\"td-decision-kicker\">R\u00e8gle d'activation<\/p>\n<p class=\"td-decision-title\">En l'absence de sondes marqu\u00e9es, conservez la ligne de base<\/p>\n<p>Le reclassement causal RAG doit faire l'objet d'une comparaison hors ligne sur le corpus r\u00e9el, par collection ou par cas d'utilisation. Si l'intervalle de confiance ne montre pas de gain net, utilisez la similarit\u00e9 ou une solution de repli hybride et poursuivez l'\u00e9valuation.<\/p>\n<\/div>\n<h2 id=\"kostos-idiotikotita-exartiseis\">Co\u00fbt, confidentialit\u00e9 et d\u00e9pendances techniques<\/h2>\n<p>L'impl\u00e9mentation de r\u00e9f\u00e9rence a \u00e9t\u00e9 reconstruite localement avec Qwen3-4B comme g\u00e9n\u00e9rateur et module de traduction, et BGE-M3 pour les embeddings. Elle comprend l'analyse syntaxique de fichiers Word\/PDF, le nettoyage des donn\u00e9es, le d\u00e9coupage en segments, la recherche avec seuil, la traduction des segments et la g\u00e9n\u00e9ration de prompts. Le code du banc d'essai et des exp\u00e9riences est mis \u00e0 disposition du public par les auteurs.<\/p>\n<p>Le fonctionnement en mode local est utile pour les organisations qui ne peuvent pas envoyer de documents juridiques, r\u00e9glementaires ou internes \u00e0 des services externes. Cela ne signifie pas pour autant qu\u2019il s\u2019agit d\u2019une solution \u00ab plug-and-play \u00bb. La qualit\u00e9 d\u00e9pend de l'extracteur de mots-cl\u00e9s, des poids, du seuil d'absorption, du mod\u00e8le d'embedding, du chunking, de la fen\u00eatre de candidats et de la mani\u00e8re dont les scores sont combin\u00e9s. Le travail reconna\u00eet qu'une analyse par ablation plus compl\u00e8te de ces param\u00e8tres est n\u00e9cessaire.<\/p>\n<p>Le pipeline de r\u00e9cup\u00e9ration n\u00e9cessite \u00e9galement une tra\u00e7abilit\u00e9. Sa logique <a href=\"https:\/\/twodots.gr\/schemarouter-ai-agents-field-aware-rag\/\">RAG sensible au champ et routage contr\u00f4l\u00e9 par sch\u00e9ma<\/a> Cela montre pourquoi les autorisations et la port\u00e9e de la r\u00e9cup\u00e9ration sont tout aussi importantes que le classement. Si l'agent peut rechercher la mauvaise collection ou utiliser un document non autoris\u00e9, m\u00eame un meilleur reclassement ne comble pas cette lacune en mati\u00e8re de gouvernance.<\/p>\n<h2 id=\"epicheirimatiki-axia\">Qu'est-ce que cela signifie pour un RAG op\u00e9rationnel ?<\/h2>\n<p>Pour le service client, les op\u00e9rations de commerce \u00e9lectronique, la conformit\u00e9 et la recherche interne, l'\u00e9quipe doit v\u00e9rifier si le bon fragment parvient jusqu'\u00e0 la ligne de commande. La qualit\u00e9 de la r\u00e9ponse sans trace de recherche masque les \u00e9checs : une bonne r\u00e9ponse peut provenir des connaissances ant\u00e9rieures du mod\u00e8le, tandis qu\u2019une r\u00e9ponse erron\u00e9e peut \u00eatre due \u00e0 des preuves incorrectes et non au g\u00e9n\u00e9rateur.<\/p>\n<p>L'observabilit\u00e9 doit enregistrer la requ\u00eate, le classement initial, le nouveau classement, la taille A\/B, les identifiants de source, les \u00e9l\u00e9ments fournis dans le prompt et le r\u00e9sultat fourni par l'\u00e9valuateur ou la t\u00e2che en aval. C'est ce m\u00eame principe de provenance dont a besoin la <a href=\"https:\/\/twodots.gr\/echo-mnimi-ai-agent-apodeixeis-provenance\/\">m\u00e9moire d'un agent IA avec preuves<\/a> C'est \u00e9galement vrai ici : sans lien entre l'affirmation et la source, l'\u00e9quipe ne peut pas distinguer une am\u00e9lioration d'un succ\u00e8s fortuit.<\/p>\n<p>Le mod\u00e8le op\u00e9rationnel doit comporter un responsable, une fr\u00e9quence de r\u00e9\u00e9valuation et une condition d'arr\u00eat. Les pratiques des <a href=\"https:\/\/twodots.gr\/enterprise-ai-harnesses-diakyvernisi-architektoniki\/\">les applications de l'IA d'entreprise<\/a> et des <a href=\"https:\/\/twodots.gr\/airep-apodeiktiko-apofaseon-ai-runtime\/\">preuves de v\u00e9rification dans les environnements d'ex\u00e9cution d'IA<\/a> sont li\u00e9s : le changement de classement doit produire un artefact document\u00e9, et non rester un choix invisible au sein d'une cha\u00eene.<\/p>\n<h2 id=\"epta-vimata-pilot\">Sept \u00e9tapes pour un pilotage en toute s\u00e9curit\u00e9<\/h2>\n<p>Un projet pilote peut \u00eatre de petite envergure, mais il doit tester le corpus r\u00e9el et les intentions r\u00e9elles. L'objectif n'est pas de reproduire l'\u00e9tude dans son int\u00e9gralit\u00e9, mais de d\u00e9montrer s'il existe bel et bien un syst\u00e8me de bourrage de mots-cl\u00e9s et si la modification am\u00e9liore la recherche de preuves sans nuire aux autres questions.<\/p>\n<div class=\"td-step-list\">\n<p class=\"td-step-list-title\">D'un \u00e9chec de r\u00e9cup\u00e9ration \u00e0 une d\u00e9cision r\u00e9fl\u00e9chie<\/p>\n<ol>\n<li><span class=\"td-step-kicker\">\u00c9tape 1<\/span><strong>D\u00e9finissez le mode de d\u00e9faillance<\/strong>\n<p>Recueillez les requ\u00eates dans lesquelles des documents \u00ab topic-near \u00bb ou \u00ab keyword-heavy \u00bb supplantent les \u00e9l\u00e9ments de preuve contenant la r\u00e9ponse dans la prompt.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">\u00c9tape 2<\/span><strong>Cr\u00e9er un ensemble de sondes repr\u00e9sentatif<\/strong>\n<p>\u00c9chantillonnez de v\u00e9ritables intents par collection, par langue et par r\u00f4le d'utilisateur, et pas seulement des questions de d\u00e9monstration faciles.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">\u00c9tape 3<\/span><strong>Enregistrez les \u00e9tiquettes de pertinence<\/strong>\n<p>Demandez aux r\u00e9viseurs de domaine d'indiquer quel document ou quel extrait contient l'\u00e9l\u00e9ment requis pour la r\u00e9ponse.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">\u00c9tape 4<\/span><strong>Comptez quatre trajets<\/strong>\n<p>Comparez les m\u00e9thodes \u00ab similarity baseline \u00bb, \u00ab cross-encoder \u00bb existant, \u00ab causal score \u00bb et \u00ab hybrid \u00bb \u00e0 l'aide des indicateurs MRR ou nDCG, ainsi qu'en termes de r\u00e9ussite de l'\u00ab evidence-in-prompt \u00bb.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">\u00c9tape 5<\/span><strong>Activez la porte au niveau du corpus<\/strong>\n<p>N'activez le nouveau classement que lorsque la diff\u00e9rence est positive et que l'incertitude reste dans la limite acceptable.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">\u00c9tape 6<\/span><strong>Conservez les solutions de secours et les traces<\/strong>\n<p>Enregistrez les rangs, les diagnostics A\/B et les identifiants de source, puis revenez \u00e0 la valeur de r\u00e9f\u00e9rence lorsque B est nul, instable ou hors de la plage d'\u00e9talonnage.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">\u00c9tape 7<\/span><strong>R\u00e9\u00e9valuez lorsque le corpus change<\/strong>\n<p>De nouveaux documents, de nouvelles versions et de nouvelles intentions peuvent modifier le r\u00e9gime ; pr\u00e9voyez r\u00e9guli\u00e8rement des contr\u00f4les et des crit\u00e8res de retour en arri\u00e8re.<\/p>\n<\/li>\n<\/ol>\n<\/div>\n<p>Le NIST AI RMF inscrit la mesure et la gestion dans un cycle continu : \u00ab Govern \u00bb, \u00ab Map \u00bb, \u00ab Measure \u00bb et \u00ab Manage \u00bb. Pour un syst\u00e8me RAG, cela implique un p\u00e9rim\u00e8tre document\u00e9, des tests avant le d\u00e9ploiement, une surveillance en production et une d\u00e9cision claire quant au moment o\u00f9 la technique doit \u00eatre d\u00e9sactiv\u00e9e.<\/p>\n<h2 id=\"periorismoi-symperasma\">Limites et conclusion pratique<\/h2>\n<p>Cet article est un pr\u00e9publication de 16 pages, version v1 du 22 ao\u00fbt 2026. Le corpus d'entreprise est priv\u00e9 et la principale exp\u00e9rience quantitative positive est de petite envergure et synth\u00e9tique. Le r\u00e9sultat de l'\u00e9talonnage repose sur une m\u00e9thode de bootstrap appliqu\u00e9e aux scores disponibles, et non sur de nombreuses installations de production ind\u00e9pendantes.<\/p>\n<p>La m\u00e9thode d\u00e9pend de la qualit\u00e9 de l'extraction des mots-cl\u00e9s et de l'hypoth\u00e8se selon laquelle le vocabulaire r\u00e9siduel B porte le signal porteur de la r\u00e9ponse. Dans les corpus de facto\u00efdes, cette hypoth\u00e8se s'est r\u00e9v\u00e9l\u00e9e erron\u00e9e. L'agr\u00e9gation par similarit\u00e9, les seuils et le routage par collection restent des choix de conception ouverts qui n\u00e9cessitent une validation sp\u00e9cifique au domaine.<\/p>\n<p>Cette conclusion m\u00fbrement r\u00e9fl\u00e9chie est utile pr\u00e9cis\u00e9ment parce qu\u2019elle n\u2019est pas d\u2019une absoluit\u00e9 spectaculaire. Le reclassement causal RAG m\u00e9rite d\u2019\u00eatre test\u00e9 lorsque la base de connaissances d\u2019une entreprise contient de nombreux documents similaires et pr\u00e9sente des faux positifs regorgeant de termes de requ\u00eate. Son activation en production ne vaut la peine que lorsque des sondes \u00e9tiquet\u00e9es d\u00e9montrent un avantage sur le corpus en question. La meilleure innovation en mati\u00e8re de recherche n'est pas celle qui modifie chaque classement ; c'est celle qui sait quand il faut conserver le classement de r\u00e9f\u00e9rence.<\/p>\n<section class=\"td-service-cta\">\n<div class=\"td-service-cta-content\">\n<p class=\"td-service-cta-kicker\">RAG avec une qualit\u00e9 mesurable des donn\u00e9es probantes<\/p>\n<p class=\"td-service-cta-title\">Concevez un algorithme de recherche bas\u00e9 sur l'IA qui sait quand conserver la valeur de r\u00e9f\u00e9rence<\/p>\n<p>TWO DOTS relie les bases de connaissances d'entreprise, les assistants IA et les automatisations \u00e0 l'\u00e9valuation des r\u00e9sultats, aux autorisations, \u00e0 la surveillance, aux solutions de secours s\u00e9curis\u00e9es et \u00e0 la supervision humaine.<\/p>\n<div class=\"td-service-cta-actions\"><a class=\"td-service-cta-button\" href=\"https:\/\/twodots.gr\/aftomatismoi-epicheiriseon-ai\/\">D\u00e9couvrez nos solutions d'automatisation et d'IA<\/a><\/div>\n<\/div>\n<\/section>\n<section id=\"sychnes-erotiseis\" class=\"td-faq-section\">\n<div class=\"td-faq\">\n<p class=\"td-faq-heading\">Foire aux questions (FAQ)<\/p>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">En quoi consiste le \u00ab causal RAG reranking \u00bb pr\u00e9sent\u00e9 dans cette \u00e9tude ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Il s'agit d'une r\u00e9\u00e9valuation sans apprentissage de l'ensemble de candidats d\u00e9j\u00e0 r\u00e9cup\u00e9r\u00e9, sur la base du vocabulaire r\u00e9siduel d'un document, apr\u00e8s suppression des termes qui se recoupent avec la question.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Estime-t-il l'effet causal r\u00e9el ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Non. Les auteurs pr\u00e9sentent le graphe causal comme un cadre structurel et motivationnel. Le score est une heuristique et non un estimant causal identifi\u00e9.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Quand est-ce que cela peut \u00eatre le plus utile ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Lorsqu'un corpus d'entreprise contient de nombreux documents proches du sujet ou riches en mots-cl\u00e9s qui apparaissent en t\u00eate des r\u00e9sultats sans pour autant contenir les \u00e9l\u00e9ments permettant de trouver la r\u00e9ponse.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Sur quels points a-t-il \u00e9chou\u00e9 ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Il a obtenu des r\u00e9sultats inf\u00e9rieurs \u00e0 ceux de la r\u00e9f\u00e9rence de similarit\u00e9 sur les corpus SciFact, NFCorpus et ArguAna, o\u00f9 la terminologie commune \u00e0 la requ\u00eate et au document pertinent constitue un signal de pertinence utile.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Cela ajoute-t-il un nouvel appel LLM au moment de la requ\u00eate ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Non, pas dans le flux propos\u00e9. Il ajoute l'extraction de mots-cl\u00e9s et l'int\u00e9gration\/notation des termes r\u00e9siduels au jeu de candidats, qui est d\u00e9j\u00e0 restreint.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Pourquoi l'absorption s\u00e9mantique est-elle n\u00e9cessaire ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>En effet, la mise en correspondance exacte laisse des synonymes et des termes voisins des distracteurs dans B. L'absorption s\u00e9mantique transf\u00e8re ces termes vers A.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Comment une \u00e9quipe d\u00e9cide-t-elle si elle doit l'activer ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>\u00c0 l'aide de sondes \u00e9tiquet\u00e9es repr\u00e9sentatives, comparaison entre la ligne de base et le nouveau classement, ainsi qu'un seuil au niveau du corpus qui n'active la m\u00e9thode que lorsque le b\u00e9n\u00e9fice mesur\u00e9 est positif.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Quelle est l'option la plus s\u00fbre dans un corpus inconnu ?;<\/summary>\n<div class=\"td-faq-content\">\n<p>La valeur de r\u00e9f\u00e9rence de similarit\u00e9 ou une solution de repli hybride calibr\u00e9e doit rester active jusqu\u2019\u00e0 ce qu\u2019un calibrage hors ligne sur le corpus r\u00e9el d\u00e9montre un avantage ind\u00e9niable.<\/p>\n<\/div>\n<\/details>\n<\/div>\n<\/section>\n<div class=\"td-source-list\">\n<p id=\"piges\" class=\"td-source-list-title\">Sources d'information<\/p>\n<ul>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2608.21702\" target=\"_blank\" rel=\"noopener\">arXiv \u2014 De l'association \u00e0 la causalit\u00e9 : am\u00e9liorer la pr\u00e9cision de la recherche avec RAG<\/a><\/li>\n<li><a href=\"https:\/\/github.com\/Silk-Road\/causal-rag-rerank\" target=\"_blank\" rel=\"noopener\">GitHub \u2014 Impl\u00e9mentation officielle de causal-rag-rerank<\/a><\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2104.08663\" target=\"_blank\" rel=\"noopener\">arXiv \u2014 BEIR : un benchmark h\u00e9t\u00e9rog\u00e8ne pour la recherche d'informations<\/a><\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2402.03216\" target=\"_blank\" rel=\"noopener\">arXiv \u2014 BGE M3-Embedding<\/a><\/li>\n<li><a href=\"https:\/\/airc.nist.gov\/airmf-resources\/airmf\/5-sec-core\/\" target=\"_blank\" rel=\"noopener\">NIST \u2014 Cadre de gestion des risques li\u00e9s \u00e0 l'IA (Core)<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Le \u00ab causal RAG reranking \u00bb distingue les \u00e9l\u00e9ments probants contenant des r\u00e9ponses des documents bourr\u00e9s de mots-cl\u00e9s, mais n\u00e9cessite un ajustement car il \u00e9choue sur les corpus de facto\u00efdes.<\/p>","protected":false},"author":1,"featured_media":104939,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_gspb_post_css":"","footnotes":""},"categories":[199],"tags":[18399,8768,9225,8233,20702],"class_list":["post-97881","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-techniti-noimosyni","tag-causal-ai","tag-enterprise-ai","tag-llm","tag-rag","tag-retrieval"],"_links":{"self":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/posts\/97881","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/comments?post=97881"}],"version-history":[{"count":0,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/posts\/97881\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/media\/104939"}],"wp:attachment":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/media?parent=97881"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/categories?post=97881"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/tags?post=97881"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}