RAG â€” Retrieval-Augmented Generation

Architecture qui augmente un LLM en lui donnant accÃ¨s Ã une base documentaire externe au moment de la gÃ©nÃ©ration, pour rÃ©duire les hallucinations et ancrer les rÃ©ponses dans des faits.

💡Explication simple

Un LLM comme GPT-4 connaÃ®t tout ce qu'on lui a appris pendant son entraÃ®nement, mais pas tes documents internes. RAG, c'est lui donner un accÃ¨s en temps rÃ©el Ã ta bibliothÃ¨que : quand tu poses une question, le systÃ¨me recherche d'abord les passages pertinents dans tes documents, les montre au LLM, et lui dit Â« rÃ©ponds en t'appuyant sur ces extraits Â». Le LLM ne parle plus de mÃ©moire, il lit avant de rÃ©pondre.

🏗️Exemple concret

Un cabinet d'avocats dispose de 15 000 contrats. Avec RAG : la question 'Quelle est la clause de rÃ©siliation du contrat Acme ?' dÃ©clenche une recherche vectorielle qui retrouve les 5 passages les plus similaires dans les contrats, les injecte dans le prompt GPT-4, qui rÃ©pond avec citation exacte. PrÃ©cision validÃ©e : 91%.

∑ Concept clé

Pipeline RAG : Query â†’ Embedding de la question â†’ Recherche vectorielle (top-K chunks) â†’ Augmentation du prompt (context + question) â†’ LLM â†’ RÃ©ponse avec sources