Mini-guide : Créer un corpus documentaire pour le RAG (PIAG)

1. Paramétrage du corpus

1.1. Préparation des documents

• Formats acceptés :
• DOCX, PPTX, PDF (non scanné), XLSX, TXT, HTML, MD, CSV, etc.
• ⚠️ Exclure : PDF scannés (sans OCR), images sans texte, fichiers > 25 Mo.

• Astuce : Utilisez l’outil OCR ministériel pour convertir les PDF scannés en texte.Voir aussi notre rubrique les outils pour disposer d'autres outils de traitement de vos fichiers PDF.

• Structuration :

• Découper les gros documents (ex. : rapports de 100+ pages) en sections logiques (chapitres, annexes).
• Supprimer les éléments inutiles : pages blanches, en-têtes/pieds de page, signatures.

• Nommage des fichiers :

  AAAAMMJJ_TitreTypeDocument_Auteur_Version.ext
  Exemple : 20260115_GuideRAG_FicheTechnique_DNUM_V1.pdf
  

• Métadonnées (à renseigner pour chaque document) :

1.2. Création du corpus dans le PIAG

Accéder au module RAG

• Se connecter au PIAG.
• Sélectionner le menu "Corpus documentaires"

• cliquer sur le bouton "Créer un corpus"

Remplir les informations

• Nom du corpus : Court et explicite (ex. : Réglementation_Eau_2026).
• Description : Préciser le périmètre, les thèmes couverts, et les publics cibles.
• Sensibilité : Cocher si le corpus contient des données sensibles (→ utilisation obligatoire de Mistral).

Importer les documents

• Glisser-déposer les fichiers préparés (max 1000 documents/corpus).
• Vérifier que l’ingestion se déroule sans erreur (durée estimée : ~1000 pages en 5 min).

Gestion des droits

• Partage nominatif : Ajouter des adresses email (attention à la casse !).
• Partage par entité :
  • Sélectionner "Entité et ses sous-entités" pour inclure les sous-structures (ex. : SG/DNum). Le choix de "Entité" restreint la sélection aux seuls agents directement rattachés à l'entité choisie : si je choisis dans ce cas 'SG/DNum', les agents des sous-directions de la DNum ne verront pas mon corpus.

2. Bonnes pratiques & recommandations

2.1. Constitution du corpus

✅ À faire : - Privilégier les données "froides" : Documents stables (lois, guides, doctrines) plutôt que des données fréquemment mises à jour (ex. : notes hebdomadaires). - Éviter les doublons : Une seule version par document (la plus récente). - Hiérarchiser les sources : - Soit créer plusieurs corpus thématiques (ex. : un corpus "Réglementation" + un corpus "Notes internes"). - Soit préciser la hiérarchie dans le prompt (ex. : "En cas de contradiction, priorise les textes réglementaires").

❌ À éviter : - Mélanger des documents hétérogènes (ex. : brouillons + textes officiels). - Inclure des fichiers non validés ou obsolètes. - Dépasser 1000 documents/corpus (risque de bruit et de coûts inutiles).

2.2. Maintenance & gouvernance

• Désigner un·e responsable :
• Rôle : Mettre à jour le corpus, supprimer les versions obsolètes, ajouter les nouvelles.
• Exemple : Un·e documentaliste ou un·e référent·e métier.
• Planifier des revisions :
• Fréquence adaptée à la stabilité des données (ex. : trimestrielle pour les données "chaudes").
• Outils : Utiliser un tableau de suivi (ex. : fichier Excel "METADONNEES").
• Partage mutualisé :
• Éviter les silos : Privilégier les corpus partagés entre services (ex. : un corpus "RH" géré par la DRH et utilisé par toutes les DREAL).
• Règle : Le producteur du corpus en assure la maintenance.

2.3. Optimisation pour le RAG

• Chunking :
• Le PIAG découpe automatiquement les documents en chunks (morceaux de texte).
• Conseil : Structurer les documents avec des titres/clés pour faciliter l’indexation (ex. : # 1. Définitions, ## 1.1. RGPD).
• Documents de contexte :
• Ne pas inclure dans le corpus : Glossaires, FAQ, tables de correspondance.
• À joindre au prompt : Ces fichiers doivent être lus en intégralité par l’IA (ex. : un tableau Acronyme | Définition).
• Tests & évaluation :
• Comparer les réponses du RAG avec celles d’un·e expert·e métier (via un jeu de questions/réponses de référence).
• Exemple de prompt test :

  "À partir du corpus [Nom], réponds à cette question : [Question].
  Cite les sources (titre + date). Si aucune info n'est disponible, écris : 'Aucune réponse dans le corpus'."
  

3. Ressources utiles

• Promptothèque RAG : Modèles de prompts prêts à l’emploi.
• Les outils pour traiter les PDF : Tout les outils pour vous aider à intégrer les PDF.
• Les bonnes pratiques : Les bonnes pratiques d'utilisation de l'IA
• Support PIAG :
• Tchap : #PIAG-Infos.