Le nombre dont vous avez besoin se trouve dans un tableau, à l'intersection d'une ligne et d'une colonne. Aplatir le PDF en texte fait disparaître cette intersection : l'étiquette se retrouve à un endroit, la valeur à un autre, et le modèle est laissé à deviner. Les tableaux sont là où l'analyse naïve perd silencieusement la réponse.

Cet article est un bonus de la série Intelligence des Documents d'Entreprise, qui construit un système RAG d'entreprise à partir de quatre briques. Il consolide les fragments en un traitement cohérent expliquant pourquoi les tableaux cassent le pipeline et quoi faire à la place. Nouveau dans la série ? Chaque article de la série se trouve sur les pages d'auteur de Towards Data Science d'Angela Shi et Kezhan Shi.

Le pipeline RAG standard lit un PDF, le divise en morceaux de texte, intègre ces morceaux et récupère le plus proche correspondant. Dès que la réponse se trouve dans une cellule de tableau, le pipeline RAG standard commence à halluciner des nombres, et souvent personne ne s'en rend compte avant qu'un auditeur n'ouvre le document source. Un tableau dans un PDF n'est pas un tableau au sens des données ; c'est un ensemble de rectangles dessinés sur une page, avec du texte positionné dans des cellules, souvent sans repères explicites de ligne ou de colonne.

L'analyseur doit reconstruire la grille à partir de la géométrie spatiale. Lorsqu'il ne réussit pas, trois choses vont mal en même temps : la structure des lignes et des colonnes est perdue, l'en-tête est souvent uniquement sur la première page d'un tableau sur plusieurs pages, et la discipline de citation au niveau de la ligne est rompue. La bonne approche n'est pas de mieux gérer les tableaux en tant que texte, mais de les restaurer dès que possible sous leur forme structurée native et de les traiter comme des données.

Le même tableau peut exister dans le pipeline à quatre niveaux différents de structure, et choisir le bon niveau est la première décision de conception avant qu'aucune opération ne soit exécutée.