Projet
RAG pour la documentation PDF
Une API de génération augmentée par la recherche qui ingère de la documentation PDF et répond aux questions à partir des passages trouvés, avec des citations.
- Python
- FastAPI
- Postgres
- sentence-transformers
- Docker
A construit une API de génération augmentée par la recherche (RAG) en Python et FastAPI qui ingère de la documentation PDF, calcule un vecteur pour chaque extrait, et répond aux questions à partir des passages trouvés, avec des citations. L'API est exposée en REST et par un point de dialogue compatible avec OpenAI.
A conçu un schéma PostgreSQL et pgvector (index vectoriel HNSW et index plein texte) et un pipeline de recherche hybride qui fusionne la similarité cosinus et la recherche par mots-clés, puis réordonne les passages avec un cross-encoder pour que le modèle de langage ne voie que les meilleurs extraits.
A évalué la recherche et la qualité des réponses sur FinanceBench (150 questions) et a enregistré le score de chaque question dans Postgres, atteignant environ 97 % de rappel des preuves et montrant que les erreurs restantes venaient de la génération, pas de la recherche.