EnronQA : Vers une RAG Plus Personnalisée et Sécurisée sur les Documents Privés

EnronQA : Vers une RAG Personnalisée sur des Documents Privés La technique de RAG (Retrieval-Augmented Generation) est désormais l'une des méthodes préférées pour intégrer des contextes à forte densité de connaissances dans les grands modèles de langage (LLM). Elle permet, en effet, d'introduire un contexte local lors de l'inférence sans encourir les coûts de l'ajustement fin (fine-tuning) ni le risque de fuite de données. Grâce à sa capacité à isoler clairement les informations privées des données utilisées pour l'entraînement des LLM, le RAG s'est imposé comme un élément fondamental dans de nombreuses charges de travail des entreprises utilisant des modèles de langage, améliorant ainsi leur compréhension grâce aux documents privés générés par leurs clients. Malgré son utilisation quasi universelle pour traiter des documents privés, les tests de validation et d'optimisation actuellement disponibles pour le pipeline RAG reposent principalement sur des sources publiques, comme Wikipédia ou des pages web génériques. Ces tests incluent rarement des données personnalisées. Afin de promouvoir des applications de RAG plus individualisées et mieux sécurisées, nous avons créé le dataset EnronQA. Composé de 103 638 emails provenant de 150 comptes d'utilisateurs différents, ainsi que de 528 304 paires questions-réponses, ce nouveau benchmark offre une meilleure évaluation des architectures RAG basées sur des données privées. De plus, EnronQA facilite l'expérimentation de paramètres de recherche personnalisés sur des données réelles. Dans notre étude, en utilisant EnronQA, nous avons également examiné les compromis entre la mémoire et la récupération dans le traitement de documents privés. Cet aspect est crucial pour comprendre comment optimiser les performances de RAG tout en garantissant la protection des données sensibles. EnronQA représente donc un pas important vers des systèmes RAG plus adaptés aux besoins spécifiques des entreprises et des utilisateurs. Le dataset EnronQA offre un cadre inédit pour évaluer l'efficacité du RAG lorsque les modèles de langage sont confrontés à des données privées et personnalisées. Cette ressource permet non seulement de tester la précision et la pertinence des réponses générées, mais aussi d'améliorer l'adaptation de RAG aux contextes réels des entreprises. Grâce à cette base de données, les chercheurs et les développeurs peuvent now ajuster les algorithmes de récupération et de génération pour qu'ils soient plus performants et mieux alignés avec les exigences des utilisateurs finaux. En conclusion, EnronQA est une initiative qui vise à pousser plus avant la frontière des applications RAG dans le domaine des documents privés. Avec ce benchmark, nous espérons stimuler des recherches et des développements qui rendront les systèmes RAG plus robustes, plus personnels et plus respectueux de la vie privée. EnronQA constitue un outil précieux pour évaluer et améliorer ces systèmes, offrant ainsi des solutions innovantes pour la gestion des données sensibles dans les applications d'IA d'entreprises.