Génération augmentée par récupération
La RAG associe recherche d’informations et réponse générée. L’accès aux sources ne remplace pas la conception de la qualité et des droits.
La génération augmentée par récupération (RAG) associe la recherche d’informations pertinentes à la production d’une réponse par un modèle de langage. Les contenus trouvés servent de contexte supplémentaire. Le modèle n’a pas besoin d’être réentraîné à chaque nouveau document.
Exemple d’assistant interne
Dans une entreprise hypothétique, l’assistant trouve d’abord une consigne approuvée puis formule une réponse liée à sa source. La recherche peut combiner mots-clés et similarité vectorielle.
La RAG ne garantit pas une réponse exacte. Des passages erronés, périmés ou non autorisés peuvent la fausser. Même une source pertinente peut être mal résumée. Choix des sources, droits et fidélité de la réponse doivent donc être vérifiés séparément.
Sources
Termes associés
- EmbeddingUn embedding représente un contenu par un vecteur numérique. Modèle et méthode de comparaison déterminent les similarités visibles.
- Base de données vectorielleUne base vectorielle stocke et recherche des représentations numériques. Une correspondance similaire n’est pas encore une source valide et autorisée.
- GroundingLe grounding relie une réponse d’IA à une base vérifiable. Un lien seul ne prouve pas que chaque affirmation est étayée.
- Fiche de modèleUne fiche de modèle documente l’objectif, les bases, les conditions d’évaluation et les limites connues d’une version donnée d’un modèle d’IA.
- Préparation à l’IALa préparation à l’IA porte sur les prérequis d’un projet : objectif, données utilisables, compétences, responsabilités et fonctionnement quotidien.
- Ingénierie du contexteL’ingénierie du contexte prépare les informations de chaque appel au modèle : instructions, messages, sources et état actuel pertinents.
Articles sur le sujet
IA & automatisation avec ASES
Assistants IA et processus automatisés