Un modèle de langage connaît beaucoup de choses, mais il ne connaît ni vos procédures internes, ni vos contrats, ni la documentation de votre produit. Le RAG (Retrieval-Augmented Generation) permet de lui fournir ces informations au moment de répondre.
Le principe en trois temps
- Indexer : les documents sont découpés en passages, puis transformés en vecteurs (des « empreintes » de sens) stockés dans une base.
- Retrouver : à chaque question, on cherche les passages dont le sens est le plus proche.
- Générer : le modèle reçoit la question et ces passages, et rédige une réponse appuyée sur eux.
Pourquoi c’est utile
Les réponses s’appuient sur des sources précises, que l’on peut citer et vérifier. Mettre à jour la connaissance revient à mettre à jour les documents, sans réentraîner de modèle.
Les pièges fréquents
- Un mauvais découpage des documents : des passages trop longs noient l’information, trop courts perdent le contexte.
- Des documents obsolètes ou contradictoires, que l’IA restituera fidèlement.
- L’oubli des droits d’accès : un utilisateur ne doit retrouver que les documents qu’il a le droit de lire.
Conseil pratique
Commencez petit, avec un seul corpus bien tenu (une FAQ, un guide interne), et demandez systématiquement à l’IA de citer les passages utilisés. Si elle ne trouve rien de pertinent, elle doit le dire plutôt qu’inventer.
