💬 NLP

Beyond Semantic Similarity: A Two-Phase Non-Parametric Retrieval Workflow for Corporate Credit Underwriting

Ce document présente un système de recherche non paramétrique en deux phases qui comble le « fossé entre similarité et utilité » dans l'octroi de crédits aux entreprises en privilégiant l'utilité analytique par rapport à la similarité sémantique, réduisant ainsi avec succès le temps d'examen des documents de plusieurs heures à quelques minutes pour plus de 800 analystes.

Auteurs originaux : Linus Ng Junjia, Ezekiel Tee Kongquan, Kelvin Heng, Kenneth Zhu Ke, Zhao Jing Yuan

Publié 2026-05-21

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Linus Ng Junjia, Ezekiel Tee Kongquan, Kelvin Heng, Kenneth Zhu Ke, Zhao Jing Yuan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective financier tentant de résoudre une énigme concernant la santé d'une entreprise. Vous disposez d'une immense bibliothèque de milliers de documents — rapports annuels, analyses sectorielles et divulgations juridiques — dont certains comptent plusieurs centaines de pages. Votre tâche consiste à trouver les indices spécifiques (comme une dette cachée ou une tendance de marché risquée) pour décider si vous devez prêter de l'argent à cette entreprise.

Ce papier décrit une nouvelle méthode plus intelligente pour fouiller cette bibliothèque. Voici la décomposition en langage courant :

Le Problème : Le « Piège des Mots-clés »

Traditionnellement, les systèmes de recherche informatique fonctionnent comme un bibliothécaire qui ne se soucie que de la correspondance des mots. Si vous demandez : « Quelle est la dette de l'entreprise X ? », l'ordinateur trouve chaque page mentionnant « dette » et « Entreprise X ».

Mais en finance, c'est un piège. Une page peut dire : « Nous n'avons aucune dette », ou « La dette est un terme courant dans notre secteur », ou encore il peut s'agir d'une note juridique ennuyeuse répétant le mot « dette » cinquante fois. Ces pages correspondent parfaitement à vos mots, mais elles sont inutiles pour prendre une décision. Les auteurs appellent cela le « fossé entre la similarité et l'utilité ». L'ordinateur trouve des choses qui ressemblent à la réponse, mais qui ne sont pas réellement des réponses utiles.

La Solution : Une Équipe de Détectives en Deux Phases

Les auteurs ont conçu un système qui agit moins comme un matching de mots-clés et plus comme une équipe de détectives humains. Ils divisent le travail en deux phases distinctes :

Phase 1 : Le Filet Large (Haut Rappel)

D'abord, le système lance un filet très large. Il utilise deux méthodes simultanément :

Recherche par Mots-clés : Recherche de termes financiers exacts (comme « EBITDA » ou « liquidité »).
Recherche par Concepts : Recherche de l'idée derrière les mots, même si les mots spécifiques sont différents.

Cette phase attrape un énorme tas de pages potentielles (50 à la fois) pour s'assurer de ne rien manquer d'important. Imaginez un pêcheur lançant un filet massif pour tout attraper dans l'océan.

Phase 2 : Le Filtre Expert (Haute Utilité)

C'est là que la magie opère. Le système ne s'arrête pas au tas de poissons ; il fait intervenir un Juge Expert en IA.

Le Filtre : Avant même que le juge ne regarde, une IA légère vérifie : « Cette page parle-t-elle réellement de la question spécifique ? Est-ce juste du bruit juridique ? » Si ce n'est que du bruit, elle est immédiatement éliminée.
Le Juge : Les pages restantes sont transmises à une IA plus intelligente qui pose une question différente : « Quelle est l'utilité de ceci pour prendre une décision de prêt ? »
- Au lieu de demander : « Cette page ressemble-t-elle à ma question ? »
- Elle demande : « Cette page me donne-t-elle un fait que je peux utiliser pour dire « Oui » ou « Non » au prêt ? »

Cela garantit que la liste finale des résultats ne contient que les « pépites d'or » d'information, et non la « terre » qui avait simplement les mêmes mots.

Gestion des Détails Désordonnés

Les documents financiers sont désordonnés. Ils contiennent de longs paragraphes, des notes de bas de page et des tableaux complexes avec des cellules fusionnées et des en-têtes étranges.

L'Outil « Conscient du Contexte » : Si le système trouve un tableau simple, il extrait proprement les chiffres. Mais s'il trouve un tableau complexe et confus (comme un état financier à plusieurs niveaux), il n'essaie pas de deviner les chiffres. Au lieu de cela, il récupère le tableau entier et le marque d'un « reçu » (vous indiquant exactement de quelle page et de quel document il provient). Cela permet à un humain de vérifier les chiffres plus tard sans que l'ordinateur ne brise accidentellement les données.

La Règle « Sur Site » (On-Premise)

Parce que cela concerne des données bancaires secrètes, le système n'utilise pas de serveurs cloud publics ni d'outils d'IA externes. Il s'exécute entièrement à l'intérieur du bâtiment sécurisé de la banque (sur site). C'est comme avoir une bibliothèque privée et sécurisée où aucune donnée ne quitte jamais le bâtiment, garantissant une confidentialité totale et le respect des lois bancaires strictes.

Les Résultats

L'équipe a testé ce système avec plus de 800 analystes financiers réels.

Avant : Les analystes passaient des heures à fouiller dans les documents pour trouver les bons faits.
Après : Le système a réduit ce temps à environ trois minutes.

Résumé

En bref, ce papier présente un système qui cesse d'essayer d'être une « machine à correspondre des mots » pour commencer à agir comme un « assistant de prise de décision ». Il lance un filet large, filtre les bavardages juridiques ennuyeux, et classe les informations restantes en fonction de leur utilité pour prendre une décision commerciale réelle, tout en maintenant les données en sécurité.

Résumé Technique : Au-delà de la Similarité Sémantique dans l'Octroi de Crédits aux Entreprises

Énoncé du Problème
L'octroi de crédits aux entreprises repose sur l'analyse de documents financiers longs et hétérogènes, notamment les rapports annuels et les analyses sectorielles. Les analystes doivent extraire des indicateurs financiers spécifiques, évaluer les divulgations de risques et synthétiser des informations issues de documents s'étendant sur des centaines de pages et couvrant plusieurs langues. Bien que des systèmes de Génération Augmentée par Récupération (RAG) aient émergé pour assister ces flux de travail, les pipelines standards privilégient la similarité sémantique entre les requêtes et les passages de documents. Dans les contextes financiers, cette approche échoue souvent à répondre aux besoins des analystes ; les documents contiennent fréquemment des descriptions narratives, des divulgations réglementaires et un langage répétitif standardisé. Par conséquent, la récupération basée sur la similarité peut mettre en avant des passages partageant une terminologie avec une requête mais dépourvus de valeur analytique exploitable. Les auteurs identifient cette divergence comme le « fossé similarité-utilité », où un contenu thématiquement lié ne soutient pas nécessairement la prise de décision.

Méthodologie
Pour combler ce fossé, les auteurs proposent un flux de travail de récupération non paramétrique en deux phases, conçu spécifiquement pour le soutien à la décision en entreprise. Le système fonctionne entièrement en local (on-premise) en utilisant des modèles open-source auto-hébergés pour garantir la conformité avec des politiques de gouvernance des données strictes. L'architecture se compose de cinq composants principaux :

Ingestion des Documents : Les documents financiers sont segmentés en sections structurées à l'aide d'indices de mise en page. Chaque segment est indexé avec des métadonnées, incluant la source, le titre de la section et les références de page, afin de préserver les informations structurelles pour le traitement en aval.
Phase 1 : Récupération Hybride des Candidats : Cette phase vise un rappel élevé sur des documents multilingues. Elle emploie une stratégie hybride combinant la récupération par mots-clés (pour préserver la précision de la terminologie financière) et la récupération sémantique dense utilisant des plongements multilingues. Une valeur TopK de 50 est utilisée pour générer un pool initial de candidats à haut rappel ( $C_0$ ).
Phase 2 : Contrôleur de Récupération Adaptatif et Reclassement Fondé sur l'Utilité :
- Contrôleur Adaptatif : Un modèle de langage léger évalue les candidats en fonction de l'intention de la requête et de la structure du document. Il prédit trois métriques pour chaque passage : la pertinence ( $Rel_i$ ), le soutien probant ( $S_i$ ) et un score d'utilité ( $U_i$ ). Le contrôleur filtre l'ensemble des candidats ( $C_1$ ) en appliquant une condition logique où le soutien probant n'est pris en compte que si la pertinence est établie, élaguant ainsi efficacement les textes standardisés sémantiquement liés mais analytiquement non pertinents.
- Reclassement Fondé sur l'Utilité : Les candidats restants sont classés à l'aide d'un cadre « LLM-comme-Juge ». Au lieu de mesurer la similarité avec la requête, le modèle évalue les passages sur la base de leur utilité décisionnelle pour l'octroi de crédits. Un seuil ajustable ( $U_{seuil}$ ) équilibre la précision et le rappel, en filtrant les passages contenant des preuves financières exploitables.
Extraction de Preuves Sensible au Contexte : Pour éviter la distorsion du sens ou la perte d'attribution, le système emploie des stratégies d'extraction distinctes basées sur la structure du contenu :
- Sections Narratives : Utilise une segmentation consciente du format Markdown pour préserver les en-têtes, les listes à puces et les limites de paragraphes.
- Données Tabulaires : Distingue les tableaux non complexes (analysés pour extraire des lignes/cellules spécifiques) des tableaux complexes (en-têtes multi-niveaux, cellules fusionnées). Pour les tableaux complexes, le système préserve le contexte complet du tableau ainsi que les métadonnées de la source (nom du document, référence de page) pour soutenir la vérification manuelle et une attribution précise.

Contributions Clés
L'article présente quatre contributions principales :

Un cadre de récupération fondé sur l'utilité qui aligne le classement des passages sur l'utilité décisionnelle dans l'octroi de crédits, allant au-delà de la simple similarité sémantique.
Un contrôleur de récupération adaptatif qui filtre les passages candidats en utilisant l'intention de la requête et les signaux de structure du document.
Un module d'extraction sensible au contexte qui préserve les informations structurelles dans le contenu financier narratif et tabulaire.
Un déploiement en entreprise démontrant des gains de productivité significatifs, opérant entièrement dans un environnement réglementé et en local.

Résultats
Le système a été évalué sur un corpus multilingue de documents internes d'octroi de crédits aux entreprises, avec des étiquettes de pertinence curatées par des analystes de crédit seniors. En raison du caractère propriétaire des données, les jeux de données détaillés et les études de cas n'ont pas été publiés publiquement. Cependant, dans un déploiement réel impliquant plus de 800 analystes, le système a démontré des gains d'efficacité significatifs, réduisant le temps d'examen des documents de plusieurs heures à environ trois minutes. L'évaluation indique que l'approche proposée améliore considérablement les performances de récupération par rapport aux systèmes de récupération naïfs traditionnels en mettant en avant des passages contenant des preuves financières vérifiables.

Portée et Revendications
Les auteurs affirment que la signification du système réside dans sa capacité à optimiser l'utilité analytique plutôt que la simple similarité sémantique, répondant directement aux besoins des flux de travail d'entreprise dans des environnements financiers réglementés. En combinant la récupération hybride, le contrôle adaptatif des candidats et le classement basé sur l'utilité, le système privilégie les preuves financières exploitables. Le déploiement en local garantit que les données financières sensibles restent locales, satisfaisant ainsi des exigences strictes de gouvernance et d'auditabilité.

Travaux Futurs
L'article note que les travaux futurs exploreront une extraction de données structurées améliorée à partir de tableaux financiers. Plus précisément, les auteurs suggèrent d'intégrer des pipelines spécialisés de Reconnaissance Optique de Caractères (OCR) et de Modèles de Langage Visuel (VLM) pour extraire directement des informations numériques structurées à partir des régions de tableaux. Cela permettrait au système de capturer des indicateurs financiers supplémentaires intégrés dans des mises en page complexes et de les incorporer dans les processus de raisonnement en aval.