Ingénieur spécialisé dans le traitement automatique de la langue et les architectures documentaires à Pau, j'ai passé plus de huit ans à observer les limites des moteurs de recherche internes traditionnels en entreprise. L'arrivée des modèles de langage a ouvert d'immenses perspectives, mais aussi introduit un risque majeur : celui des hallucinations plausibles générées sur des données non maîtrisées.
Face à ce constat, j'ai orienté l'ensemble de mes travaux vers l'ancrage documentaire strict et la recherche hybride. Sur Lingua-et-machina, je partage en toute indépendance mes benchmarks empiriques : comment combiner la précision lexicale du BM25 avec la flexibilité sémantique des embeddings, comment découper proprement des manuels techniques de 300 pages sans tronquer les tableaux, et comment imposer un seuil mathématique d'abstention qui force l'IA à dire « je ne sais pas » lorsqu'une information est absente.
Les acronymes et références de pièces ne pardonnent pas : le vecteur seul est insuffisant sans un ancrage plein texte rigoureux.
Un modèle léger quantifié (7B à 14B) bien contextualisé surpasse un modèle géant distant tout en garantissant la confidentialité des données.
Chaque assertion générée doit être rattachée à un extrait textuel vérifiable et horodaté dans le document source.
Vous concevez un système de recherche documentaire interne, vous évaluez un pipeline RAG ou vous souhaitez confronter vos résultats de tests ? Je suis toujours ouvert aux échanges constructifs entre praticiens.
Guide d'ingénierie pour bâtir un RAG interne : index Qdrant, reranking précis, modèle open-weight et contrôle strict des citations documentaires.
Guide d'ingénierie pour segmenter des documents techniques sans perte sémantique : découpage récursif, chevauchement et métadonnées de section.
Arbitrage technique entre recherche vectorielle dense et recherche hybride BM25 : éliminer les hallucinations en fiabilisant le pipeline RAG en production.