Vous avez un PDF de 100 pages et cherchez une information précise sans relire tout le document ? Bonne nouvelle : l’IA peut faire le travail de détective pour vous — plus vite qu’un index, et sans café renversé sur la table.
En résumé, trois étapes : extraire le texte (ou l’OCR), segmenter et indexer en vecteurs, puis interroger avec un modèle de langage pour obtenir une réponse concise et sourcée.
1) Extraire le texte : si le PDF est « born-digital », utilisez pdftotext ou un extracteur natif. Si le PDF est scanné, faites de l’OCR (Tesseract, Adobe, etc.) pour convertir les images en texte. Conservez toujours le numéro de page, les en-têtes et les repères (tableaux, légendes) lors de l’extraction — c’est ce qui permettra d’indiquer d’où vient la réponse.
2) Nettoyer et segmenter : supprimez les sauts de page inutiles, normalisez les espaces et divisez le texte en chunks (blocs) de 200–1000 tokens avec chevauchement (ex. 50–150 tokens) pour garder le contexte. Ajoutez des métadonnées à chaque chunk : numéro de page, titre de section, position dans le PDF.
Créer un index sémantique (embeddings + recherche vectorielle)
Transformez chaque chunk en vecteur d’embeddings pour obtenir une représentation sémantique. Les embeddings permettent de retrouver des passages pertinents même si les mots exacts diffèrent. Vous pouvez utiliser des API publiques (ex. embeddings OpenAI) ou des modèles open source en local.
Pour en savoir plus sur les embeddings : OpenAI — Embeddings.
Construire l’index
Chargez vos vecteurs dans un moteur d’indexation : FAISS, Milvus, Pinecone, etc. Cet index vectoriel permet des recherches par similarité (cosine/inner product) très rapides. Conservez le mapping chunk → meta (page, section) pour restituer la provenance.
Interroger et générer la réponse
Flux classique : 1) transformez la requête en embedding ; 2) récupérez top-k chunks similaires ; 3) concaténez ces chunks (avec leurs métadonnées) et fournissez-les au LLM avec une consigne claire. Exemple de consigne : demandez au modèle de répondre en citant le numéro de page et d’écrire “Information non trouvée” si la réponse n’est pas présente dans les fragments fournis. Gardez la température basse (0–0.2) pour des réponses factuelles.
Astuce pratique : limitez la taille totale du contexte et faites un post-traitement pour vérifier que la réponse trouve bien son origine dans les chunks renvoyés (principe de provenance).
Trucs avancés et bonnes pratiques
• Pour des valeurs exactes (dates, numéros), combinez la recherche sémantique avec une recherche textuelle (regex/BM25) : hybride = meilleurs résultats.
• Utilisez un second passage de re-ranking : récupérez 50 chunks, puis réordonnez-les avec le LLM pour sélectionner les meilleurs extraits.
• Pour les PDFs sensibles, privilégiez un traitement local (OCR + embeddings sur machine privée) et chiffrez les index.
Si le PDF est très complexe (tableaux, images), traitez les images avec OCR spécialisé et extrayez les tableaux en CSV avant indexation. Pour l’OCR open source : Tesseract OCR (GitHub).
Enfin, testez et itérez : ajustez la taille des chunks, le nombre de résultats (k), et la formulation du prompt pour optimiser la précision et la concision. Avec un bon pipeline, retrouver une phrase ou une donnée dans 100 pages devient moins une corvée et plus une mission accomplie par votre assistant IA préféré.
Diplômé en informatique et en marketing, Christophe Duhamel est co-fondateur de Marmiton et passionné de cuisine et de nutrition. Entrepreneur et manager expérimenté, il répond à de nombreuses questions pratiques, techniques, culinaires et sur bien d’autres sujets.