Thèse Système de Recherche d'Information Augmentée par la Génération Rag pour la Génération Frugale de Documents à Partir de Sources Propiétaires Vérifiées H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique Direction de la thèse : Patrick PAROUBEK ORCID 0000000243021894 Début de la thèse : 2027-03-01 Date limite de candidature : 2026-12-15T23:59:59 Contexte

Récemment, le paradigme de la Recherche d'Information augmentée par Génération de texte (RAG pour Retrieval-Augmented Generation) s'est imposé comme une approche clé pour répondre à ces enjeux. En combinant des mécanismes de recherche d'information sur des bases documentaires structurées ou non structurées avec des capacités de génération des LLMs, les systèmes RAG permettent de réduire 'les hallucinations' (pseudo informations sans fondement réel synthétisées aléatoirement par le système), de contextualiser les réponses et de fournir des informations ancrées dans des sources vérifiables.

Parallèlement, l'émergence de modèles de raisonnement explicite (chaînes de pensée, explicitation de raisonnement, modèles hybrides neuro-symboliques, etc.) ouvre de nouvelles perspectives pour dépasser la simple génération textuelle et permettre aux systèmes d'IA de raisonner de manière plus structurée, justifiable et alignée avec les exigences métier.

Cependant, plusieurs défis scientifiques et technologiques demeurent :
- Comment intégrer efficacement des capacités de raisonnement dans un système de RAG ?
- Comment évaluer objectivement la qualité du raisonnement, de la récupération et de la génération ?
- Comment rendre explicable le fonctionnement global du système, de la requête à la réponse finale ?

Objectifs de la thèse

L'objectif général de cette thèse qui se situe dans la continuité des travaux de Recherche effectué au sein de la société ADAY et de l'équipe SEME du laboratoire LISN est de :
concevoir, analyser et évaluer des architectures de RAG intégrant des capacités avancées de raisonnement, adaptées à un contexte industriel, tout en mettant un accent particulier sur l'évaluation rigoureuse et l'explicabilité des systèmes proposés.

Les objectifs scientifiques principaux sont les suivants :
1. Étudier l'utilité du RAG à l'ère des LLMs.
a) Analyse des apports du RAG par rapport aux modèles génératifs seuls
b) Identification des cas d'usage industriels nécessitant ancrage documentaire, raisonnement et traçabilité.
2. Intégration de modèles de raisonnement dans des architectures RAG
a) Exploration de différentes stratégies de raisonnement (chain-of-thought, décomposition de requêtes, raisonnement multi-étapes, approches hybrides).
b) Couplage entre récupération d'information, raisonnement intermédiaire et génération finale.
c) Génération contrainte ou guidée par le raisonnement et les documents récupérés.
d) Apport des architectures multi-agents incluant des LLMs et des architectures. logicielles telles les 'harnais/wrappers' logiciels qui externalisent la plannification et le raisonnement des fonctions de compréhension et de génération du language naturel propres au LLM.
3. Méthodes d'évaluation des systèmes RAG avec raisonnement
a) Définition de protocoles d'évaluation couvrant :
i. la qualité de la récupération.
ii. la pertinence et la cohérence du raisonnement.
iii. la factualité et l'utilité des réponses.
b) Étude de métriques automatiques et humaines.
c) Analyse des limites des métriques existantes pour les systèmes à raisonnement explicite.
4. Explicabilité et confiance dans les systèmes RAG
a) Conception de mécanismes d'explicabilité à différents niveaux.
b) Visualisation et interprétation des chaînes de raisonnement.
c) Étude de l'impact de l'explicabilité sur la confiance des utilisateurs finaux.
Malgré les avancées apportées par le RAG agentique, plusieurs verrous scientifiques restent ouverts
(Mishra et al., 2026). Le premier concerne la stabilité du raisonnement itératif, où les reformulations
successives des requêtes peuvent progressivement s'éloigner de l'intention initiale de l'utilisateur.
Le fonctionnement en boucle peut donc entraîner une accumulation d'erreurs lorsque le modèle
n'est pas capable de corriger son propre raisonnement ou de s'arrêter. L'ancrage d'informations reste
également un défi majeur, car la récupération de documents ne garantit pas à elle seule la réduction
des hallucinations, notamment en cas de conflit entre connaissances internes et informations externes,
ou entre plusieurs documents récupérés (Oche et al., 2025). L'évaluation constitue un autre verrou,
puisque la plupart des travaux mesurent uniquement la qualité de la réponse finale, sans évaluer
précisément les étapes intermédiaires du raisonnement. Enfin, La gestion de la mémoire à long
terme reste une problématique ouverte, notamment pour déterminer quelles informations mémoriser,
résumer ou oublier, éviter l'accumulation d'informations inutiles, maintenir les connaissances à jour
et garantir la robustesse face à des informations erronées ou malveillantes (Singh et al., 2026).

Concernant les approches hybride RAG neuro-symboliques, des travaux récents issus d'une collaboration entre le laboratoire LISN et la société ADAY ont porté sur l'apport des graphes sémantiques pour l'élaboration de prompts dans le cadre d'une tâche de RAG L'objectif général de cette thèse qui se situe dans la continuité des travaux de Recherche effectué au sein de la société ADAY et de l'équipe SEME du laboratoire LISN est de :
concevoir, analyser et évaluer des architectures de RAG intégrant des capacités avancées de raisonnement, adaptées à un contexte industriel, tout en mettant un accent particulier sur l'évaluation rigoureuse et l'explicabilité des systèmes proposés.

Les objectifs scientifiques principaux sont les suivants :
1. Étudier l'utilité du RAG à l'ère des LLMs.
a) Analyse des apports du RAG par rapport aux modèles génératifs seuls
b) Identification des cas d'usage industriels nécessitant ancrage documentaire, raisonnement et traçabilité.
2. Intégration de modèles de raisonnement dans des architectures RAG
a) Exploration de différentes stratégies de raisonnement (chain-of-thought, décomposition de requêtes, raisonnement multi-étapes, approches hybrides).
b) Couplage entre récupération d'information, raisonnement intermédiaire et génération finale.
c) Génération contrainte ou guidée par le raisonnement et les documents récupérés.
d) Apport des architectures multi-agents incluant des LLMs et des architectures. logicielles telles les 'harnais/wrappers' logiciels qui externalisentla plannification et le raisonnement des fonctions de compréhension et de génération du language naturel propres au LLM.
3. Méthodes d'évaluation des systèmes RAG avec raisonnement
a) Définition de protocoles d'évaluation couvrant :
i. la qualité de la récupération.
ii. la pertinence et la cohérence du raisonnement.
iii. la factualité et l'utilité des réponses.
b) Étude de métriques automatiques et humaines.
c) Analyse des limites des métriques existantes pour les systèmes à raisonnement explicite.
4. Explicabilité et confiance dans les systèmes RAG
a) Conception de mécanismes d'explicabilité à différents niveaux.
b) Visualisation et interprétation des chaînes de raisonnement.
c) Étude de l'impact de l'explicabilité sur la confiance des utilisateurs finaux. Elaboration de nouvelles arcitectures RAG et validation expérimentale par évaluation quantitative et qualitative sur des jeux de données ouverts et propriétaires des systèmes hybrigdes neuro-symboliques de RAG �� base de grands modèles de langue et de graphes de connaissances.

Experience en Traitement Automatique des Langues, Recherche d'Information Augmentée par la Génération. Expérience de programmation en Apprentissage Automatique avec de grands modèles de langue. Programmation en Python et des bibliothèques de calcul comme PyTorch et TensorFlow pour la programmation de modèles neuronaux (CNN, Transformers, etc.) avec GPU. Connaissance en linguistique de base, analyse syntaxique et sémantique automatique. Expérience dans domaine de veille informationnelle.