Qu’est-ce que le RAG ? Faire répondre une IA à partir de vos documents

Définition

RAG signifie Retrieval-Augmented Generation, en français « génération augmentée par la recherche ». Le principe : avant de répondre, le système recherche dans vos documents les passages pertinents, puis les fournit au modèle de langage pour qu’il génère une réponse appuyée sur ces passages. La méthode a été formalisée dans la recherche en 2020 et s’est largement diffusée avec les LLM.

Pourquoi en a-t-on besoin ?

• Un modèle de langage ne connaît pas vos documents internes (procédures, contrats, base de connaissances).
• Ses connaissances sont figées à une date : il ignore ce qui a changé depuis.
• Sans appui, il peut produire des hallucinations : des réponses plausibles mais fausses.

Le RAG réduit ces risques en ancrant la réponse dans des sources que vous maîtrisez, et permet d’indiquer d’où vient l’information.

Comment ça marche ?

1. Préparer les documents (une fois, puis à chaque mise à jour)

1. Découpage (chunking) : les documents sont découpés en fragments de taille raisonnable.
2. Embeddings : chaque fragment est transformé en une suite de nombres qui représente son sens.
3. Base vectorielle : ces représentations sont stockées pour pouvoir être comparées rapidement.

2. Répondre à chaque question

1. La question est elle aussi transformée en embedding.
2. Le système retrouve les fragments dont le sens est le plus proche.
3. Ces fragments sont fournis au modèle avec la question.
4. Le modèle rédige la réponse et cite ses sources.

Le schéma complet se trouve sur la page Academy.

RAG ou entraînement du modèle (fine-tuning) ?

Le RAG sert surtout à apporter des connaissances : facile à mettre à jour (on change les documents), avec des sources citables. L’entraînement complémentaire (fine-tuning) sert plutôt à adapter le comportement ou le style d’un modèle. Pour répondre sur vos documents, le RAG est généralement le premier choix. Les deux approches peuvent se combiner.

Limites à connaître

• La qualité des documents compte : des documents obsolètes ou contradictoires donnent des réponses douteuses.
• Le découpage influence les résultats : un mauvais chunking sépare des informations qui vont ensemble.
• La recherche peut échouer : si le bon passage n’est pas retrouvé, le modèle répond sans lui.
• Les droits d’accès : un RAG ne doit pas faire ressortir des documents que l’utilisateur n’a pas le droit de lire.
• Il faut évaluer : tester sur de vraies questions, avec des réponses attendues connues.

Cas d’usage typiques

• Interroger une base de procédures internes.
• Retrouver une clause dans un fonds de contrats.
• Répondre au support à partir de la documentation produit.
• Donner à un agent d’IA l’accès à la connaissance de l’entreprise.