Qu’est-ce que la Retrieval-Augmented Generation ?
La Retrieval-Augmented Generation (RAG) combine deux étapes : la récupération, qui trouve les informations les plus pertinentes dans une source fiable, et la génération, où un modèle de langage rédige une réponse à partir de ces informations. Le terme vient d’un article de recherche de 2020 et est depuis devenu une manière courante de construire des assistants IA sur les connaissances de l’entreprise.
Sans récupération, un modèle de langage répond à partir des schémas appris pendant l’entraînement, qui peuvent être dépassés ou tout simplement ne pas inclure votre entreprise. Le RAG lui donne la bonne matière au moment de la question.
Comment fonctionne le RAG ?
- Préparer les sources. Les documents ou les enregistrements sont indexés pour pouvoir être recherchés, souvent par le sens plutôt que par les mots exacts.
- Récupérer. Quand une question arrive, le système trouve les passages ou les enregistrements les plus pertinents.
- Augmenter. Le contenu récupéré est ajouté à l’entrée du modèle, avec la question.
- Générer. Le modèle rédige une réponse fondée sur ce contenu, idéalement en citant sa provenance.
Quel est un exemple de Retrieval-Augmented Generation ?
Répondre à partir de la charte de marque
Un rédacteur demande à un assistant interne si un produit peut être qualifié de « eco-friendly » sur un marché donné. Sans récupération, le modèle donne des conseils génériques.
Avec le RAG, l’assistant récupère d’abord la section pertinente de la charte de marque et des règles juridiques de l’entreprise, puis répond à partir de celle-ci et renvoie vers la source, pour que le rédacteur puisse vérifier.
RAG vs. fine-tuning vs. couche sémantique
Ces approches résolvent des problèmes différents et sont souvent utilisées ensemble.
| RAG | Fine-tuning | Couche sémantique | |
|---|---|---|---|
| Rôle | Fournit le contenu pertinent au modèle au moment de la question | Réentraîne le modèle sur des exemples | Définit ce que signifient les données et les métriques de l’entreprise |
| Idéal pour | Documents, politiques, connaissances | Style, format, tâches spécialisées | Des réponses chiffrées cohérentes à partir des données de l’entreprise |
| Garde les réponses à jour | Oui, à mesure que les sources sont mises à jour | Seulement après réentraînement | Oui, lit des données gouvernées en direct |
| Affiche les sources | Peut citer les passages récupérés | Non | Remonte chaque chiffre jusqu’à sa source |
Pourquoi le RAG est-il important, et quelles sont ses limites ?
- Des réponses plus exactes. L’ancrage dans des sources fiables réduit les faits inventés.
- Des informations actuelles. Les réponses reflètent les derniers documents sans réentraîner de modèle.
- Des résultats vérifiables. Les réponses peuvent indiquer les sources utilisées.
- Des limites avec les chiffres. Récupérer du texte ne revient pas à calculer correctement des métriques. Pour les données de performance, l’IA a aussi besoin de données gouvernées et de définitions communes.
- La qualité en entrée fait la qualité en sortie. Si le contenu récupéré est faux ou dépassé, la réponse le sera aussi.
Comment Alli s’y prend-il ?
Ask Alli, qui fait partie d’Alli by PMG, ancre ses réponses dans vos données gouvernées plutôt que dans des connaissances générales. Chaque requête s’appuie sur les définitions communes d’Alli Semantic Layer et associe la question aux métriques, dimensions et règles métier gouvernées que vos équipes ont déjà validées.
Chaque réponse est traçable : vous voyez les données, la logique et la source qui la sous-tendent. Comme chaque produit Alli lit le même socle gouverné, une réponse dans Ask Alli concorde avec les tableaux de bord et les rapports construits sur les mêmes données.
Découvrir Ask AlliFAQ sur la Retrieval-Augmented Generation
Que signifie RAG ?
RAG signifie Retrieval-Augmented Generation, soit génération augmentée par la récupération : récupérer d’abord les informations pertinentes, puis générer une réponse à partir de celles-ci.
Le RAG élimine-t-il les hallucinations de l’IA ?
Il les réduit en ancrant les réponses dans des sources fiables, mais ne les élimine pas. Afficher les sources et garder des personnes dans la boucle restent importants.
Quelle est la différence entre le RAG et le fine-tuning ?
Le RAG fournit les informations pertinentes au moment de la question. Le fine-tuning réentraîne le modèle sur des exemples pour modifier son comportement. Le RAG convient généralement mieux pour garder des réponses à jour.
Le RAG suffit-il pour l’analytique sur les données de l’entreprise ?
Pas à lui seul. Les chiffres doivent être calculés de façon cohérente, ce qui exige des données gouvernées et des définitions de métriques communes, comme une couche sémantique, en plus de la récupération.
Dernière mise à jour : Retour au glossaire