RAG (Retrieval-Augmented Generation)
Le RAG enrichit une requête adressée à un modèle de langage avec des passages récupérés dans une base documentaire afin de produire une réponse plus contextualisée et vérifiable.
Comment cela fonctionne
Les documents sont découpés, décrits et indexés. À chaque question, un moteur recherche les passages les plus pertinents, éventuellement après reformulation ou filtrage par droits d’accès. Le modèle reçoit la question et ce contexte, puis génère une réponse. L’évaluation doit couvrir la qualité de la recherche, la fidélité de la réponse, les citations et les cas où le système doit reconnaître qu’il ne sait pas.
Exemple concret
Un assistant interne peut rechercher dans des procédures HSE et répondre à une question en citant les passages utilisés. Les droits limitent les documents accessibles selon le profil de l’utilisateur.
Principaux avantages
- Réponses fondées sur les contenus internes
- Mise à jour sans réentraîner le modèle
- Sources affichables
Points de vigilance
- Recherche parfois imprécise
- Documents à gouverner
- Hallucinations toujours possibles
Questions fréquentes
Le RAG supprime-t-il les hallucinations ?
Non. Il réduit le risque en fournissant un contexte, mais la réponse doit encore être évaluée, contrainte et accompagnée de sources.
Faut-il fine-tuner le modèle ?
Pas nécessairement. Pour apporter une connaissance documentaire actualisée, le RAG est souvent plus simple et plus traçable qu’un fine-tuning.
Termes associés
Pour approfondir : Microsoft Learn - Vue d’ensemble du RAG