# Episode 224  : Données non structurées et modern OCR

Page: https://stenobird.com/podcast/big-data-hebdo-828834/episode-224-donne-es-non-structure-es-et-modern-ocr
Text version: https://stenobird.com/podcast/big-data-hebdo-828834/episode-224-donne-es-non-structure-es-et-modern-ocr.md
Podcast: [Big Data Hebdo](https://stenobird.com/podcast/big-data-hebdo-828834)
Published: 2025-10-28T21:43:10+00:00
Episode link: https://www.spreaker.com/episode/episode-224-donnees-non-structurees-et-modern-ocr--68318805
Audio file: https://api.spreaker.com/download/episode/68318805/episode_224_donne_es_non_structure_es_et_modern_ocr.mp3
Processing state: not_requested
JSON: https://stenobird.com/v1/public/podcasts/big-data-hebdo-828834/episodes/episode-224-donne-es-non-structure-es-et-modern-ocr
Duration seconds: 3084

## Resource

Dans cet épisode on explore les défis et les évolutions du RAG (Retrieval-Augmented Generation) dans le contexte de l'IA. L'équipe du Bigdata Hebdo discute des promesses des éditeurs, des difficultés rencontrées par les utilisateurs, et des mécanismes d'IA nécessaires pour traiter efficacement les documents. On parle des enjeux liés à l'OCR, au chunking, et à l'importance des modèles d'embeddings. 00:00 Introduction 03:06 La promesse des éditeurs 08:05 Comprendre le RAG et son fonctionnement 11:06 Difficultés liées à l'OCR et à l'extraction de données 19:05 Recommandations pour l'optimisation des documents 28:46 Mistral Document AI et ses fonctionnalités 33:49 Chunking et gestion des documents 40:55 Fine-tuning des modèles d'embeddings 43:00 Formats de documents et leur pérennité 47:23 Conclusion et perspectives Notes et ressources https://bigdatahebdo.com/podcast/episode-224-donnees-non-structurees-et-modern-ocr

## Actions

- request_transcript: `POST https://stenobird.com/v1/public/podcasts/big-data-hebdo-828834/episodes/episode-224-donne-es-non-structure-es-et-modern-ocr/transcription-requests` — Idempotently request low-priority transcript generation for this episode.
- read_markdown: `GET https://stenobird.com/podcast/big-data-hebdo-828834/episode-224-donne-es-non-structure-es-et-modern-ocr.md` — Read the agent-friendly Markdown representation of this episode resource.

A page view does not enqueue transcription. Agents should invoke `request_transcript` explicitly when they need this episode processed.

## Transcript

Full transcripts are not published on public pages unless there is a clear rights basis.