RAG (génération augmentée par récupération)
En anglais : Retrieval-Augmented Generation
Architecture qui, avant de générer une réponse, recherche dans une collection de documents les passages pertinents et les fournit au modèle de langage comme contexte.
Exemple
Le service RH d’une entreprise déploie un assistant qui répond aux questions des salariés en s’appuyant sur la convention collective et les accords internes, avec un lien vers chaque passage cité.
Notions liées
Base de données vectorielle
IntermédiaireSystème de stockage conçu pour enregistrer des embeddings et retrouver très rapidement ceux qui sont les plus proches d’un vecteur donné, même parmi des millions d’éléments.
Chunking (découpage en fragments)
IntermédiaireÉtape de préparation qui découpe de longs documents en fragments plus courts, appelés chunks, avant de les convertir en embeddings et de les indexer pour la recherche.
Embedding (plongement vectoriel)
IntermédiaireReprésentation d’un texte, d’une image ou d’un autre contenu sous forme de liste de nombres, un vecteur, construite pour que des contenus de sens proche aient des vecteurs proches.
Fine-tuning (affinage)
IntermédiaireTechnique qui poursuit l’entraînement d’un modèle déjà pré-entraîné sur un jeu de données plus restreint, afin de modifier ses poids et de l’adapter à une tâche, un domaine ou un style.
Recherche sémantique
IntermédiaireMéthode de recherche qui retrouve des contenus selon leur sens et l’intention de la requête, plutôt que selon la présence exacte des mots-clés saisis.
Reranking (reclassement)
AvancéÉtape qui réévalue et réordonne, avec un modèle plus précis, une liste de résultats issus d’une première recherche rapide, afin de ne conserver que les plus pertinents.