IA d'entreprise sur AWS : au-delà du RAG, la compression de connaissances adaptée à la tâche

Compression de l'information privilégiant les tâches spécifiques, cette technique baptisée TAKC (Task-Aware Knowledge Compression) vient d'être détaillée par AWS pour dépasser les limites du RAG (Retrieval-Augmented Generation) classique sur les tâches analytiques complexes. Le problème identifié concerne les analyses portant sur des centaines de documents, comme un audit de due diligence financière ou une revue de conformité réglementaire, où la recherche par similarité du RAG traditionnel peine à relier des informations disséminées dans des sources sans proximité lexicale. AWS illustre le cas d'un fonds de private equity évaluant une acquisition de 500 millions de dollars dans le secteur manufacturier, avec une équipe devant croiser les états financiers de 12 filiales sur 5 ans, plus de 200 contrats fournisseurs, des rapports de conformité environnementale de 8 sites et plus de 50 dossiers juridiques en cours. TAKC compresse l'intégralité de la base documentaire hors ligne, une fois par document et par type de tâche, en utilisant un LLM pour produire des résumés ciblés qui conservent uniquement les informations pertinentes pour un usage donné, par exemple les chiffres de revenus et de marges pour une analyse financière, ou les citations réglementaires pour un contrôle de conformité. Le système propose quatre niveaux de compression selon la complexité de la requête, allant d'une réduction de 87,5% du contexte pour les tâches de raisonnement multi-étapes jusqu'à 96,9% pour les recherches factuelles simples, avec un facteur de compression global variant de 8x à 64x.

L'enjeu principal réside dans la capacité de cette approche à préserver les connexions entre documents que le RAG classique manque systématiquement, puisque la compression analyse les textes ensemble plutôt qu'isolément fragment par fragment. Pour les entreprises manipulant de gros volumes documentaires dans des secteurs réglementés, comme la finance ou le droit, cela change concrètement la donne : un analyste peut interroger le système sur les risques financiers consolidés en tenant compte simultanément des conditions fournisseurs actuelles et des litiges en cours, une question à laquelle le RAG traditionnel ne peut pas répondre faute de récupérer les bons fragments au bon moment. La différenciation par type de tâche évite aussi la dilution d'information propre aux résumés génériques, qui tentent de tout couvrir sans répondre précisément à aucun usage. Un même rapport annuel produit ainsi des versions compressées radicalement différentes selon qu'il sert une analyse financière ou une évaluation des risques juridiques.

Cette architecture s'inscrit dans une tendance plus large d'optimisation des systèmes RAG pour les cas d'usage professionnels intensifs, où le simple découpage en chunks similaires atteint ses limites face à la complexité réelle des documents d'entreprise. AWS propose une implémentation open source complète, déployable directement sur ses propres comptes cloud, avec des recommandations pratiques comme le stockage versionné des prompts de compression via AWS Systems Manager Parameter Store ou un préfixe dédié Amazon S3, afin de garantir la traçabilité des modifications et de déclencher une recompression lorsque les prompts évoluent. Un analyseur de complexité des requêtes route automatiquement les questions vers le niveau de compression adapté, redirigeant vers un palier moins compressé si la représentation disponible manque de détail. Cette approche s'adresse en priorité aux organisations traitant des volumes documentaires massifs dans des contextes à fort enjeu réglementaire ou financier, où la précision et la traçabilité des réponses générées par IA deviennent critiques.