Définition

La Génération Augmentée par Récupération (RAG) est une architecture d'IA qui combine un grand modèle linguistique avec une source de connaissances externe. Au lieu de se fier uniquement à ce que le modèle a appris pendant l'entraînement, un système RAG récupère des documents pertinents, des entrées de base de données ou du contenu de base de connaissances en temps d'exécution et utilise ce contexte pour générer une réponse plus précise.

Comment fonctionne le RAG

Un flux de travail RAG typique comporte trois étapes :

1. Un utilisateur pose une question.
2. Le système recherche une source de connaissances pour trouver des informations pertinentes.
3. Le modèle linguistique utilise le contexte récupéré pour produire la réponse finale.

Ceci rend le RAG utile lorsque les réponses doivent refléter des données commerciales récentes, des documentations internes, des catalogues de produits, des politiques ou du contenu de support.

Pourquoi le RAG est important

Le RAG aide à réduire les hallucinations, améliore l'ancrage factuel et permet aux équipes de mettre à jour les réponses sans réentraîner le modèle de base. Il est largement utilisé dans la recherche IA, les chatbots d'entreprise, les assistants internes, les outils de support client et les systèmes de gestion des connaissances.