Principes RAG

Pourquoi le modèle invente

Un modèle de langage répond avec ses connaissances internes. Quand elles sont insuffisantes, il produit quand même une réponse plausible.

Résultat : des faits inventés, énoncés avec assurance.

Le RAG, ou génération augmentée par récupération, s'attaque à ce problème. Le système cherche d'abord des passages pertinents dans une base documentaire, puis les fournit au modèle.

La réponse s'appuie alors sur des informations retrouvées, et non sur la seule mémoire du modèle.

Deux étapes enchaînées

Un système RAG combine deux étapes : la récupération d'informations, puis la génération de texte.

L'ordre compte. La recherche précède toujours la rédaction.

Quand l'utilisateur pose une question, le système interroge une source de connaissances. Les extraits pertinents sont ajoutés au contexte transmis au modèle.

Le modèle formule ensuite sa réponse à partir de ces extraits.

Les briques de l'architecture

Pour concevoir un RAG robuste, pensez en composants séparés. Chacun peut échouer indépendamment.

Côté récupération : la source de connaissances, les documents découpés en extraits, et la recherche qui sélectionne les plus pertinents.

Côté génération : le contexte assemblé, les instructions données au modèle, et le modèle de langage lui-même.

Diagnostiquer une mauvaise réponse commence par localiser la brique fautive.

Trois leviers de qualité

La qualité d'un RAG dépend notamment de trois facteurs.

La pertinence des documents récupérés : si les extraits ne répondent pas à la question, le modèle n'a rien de solide sur quoi s'appuyer.

Le découpage des documents : il détermine quels extraits peuvent être retrouvés et transmis.

La clarté des instructions : elles indiquent au modèle comment utiliser les extraits pour formuler sa réponse.

Quand choisir le RAG

Le RAG est particulièrement utile dans trois situations.

Quand les informations proviennent de documents internes, absents des connaissances du modèle.

Quand elles évoluent fréquemment : la récupération va chercher l'information là où elle est tenue à jour.

Quand les réponses doivent être vérifiables par des sources identifiables : chaque extrait récupéré provient d'un document précis.

Ce que le RAG garantit vraiment

Le RAG réduit le risque que le modèle invente des faits. Il ne supprime pas tout risque.

Si la récupération rapporte de mauvais extraits, la réponse repose sur de mauvaises bases.

Pour votre architecture, retenez le cycle de base : récupérer, ajouter au contexte, générer. Puis surveillez la pertinence, le découpage et les instructions.

C'est là que se joue la fiabilité.

Dans un système RAG, la recherche de passages pertinents a lieu _____ la génération de la réponse par le modèle.

• avant
• après

Answer: avant

Le RAG récupère d'abord des extraits dans une base documentaire, puis les fournit au modèle qui génère la réponse à partir de ces informations. Sans récupération préalable, le modèle n'aurait que ses connaissances internes.

Un système RAG combine deux étapes : la _____ trouve des extraits dans une source de connaissances, puis la _____ produit la réponse avec le modèle de langage.

Answer: Un système RAG combine deux étapes : la récupération trouve des extraits dans une source de connaissances, puis la génération produit la réponse avec le modèle de langage.

La récupération sert à chercher l'information pertinente ; la génération formule la réponse en s'appuyant sur les extraits ajoutés au contexte du modèle.

Pourquoi un système RAG réduit-il le risque que le modèle invente des faits ?

• Il ancre la réponse dans des extraits retrouvés
• Il réentraîne le modèle à chaque question
• Il augmente la taille des connaissances internes
• Il empêche le modèle de générer du texte libre

Answer: Il ancre la réponse dans des extraits retrouvés

Le RAG fournit au modèle des extraits pertinents dans son contexte. Le modèle s'appuie alors sur ces informations au lieu de combler ses lacunes internes par des inventions. Le RAG ne réentraîne pas le modèle et ne supprime pas totalement les erreurs.