Glossaire des systèmes RAG
Un glossaire complet des termes utilisés dans les systèmes RAG (Génération Augmentée par Récupération).
A
ANN (Approximate Nearest Neighbor): Algorithmes qui trouvent des voisins approximativement les plus proches plus rapidement qu'une recherche exacte, échangeant une certaine précision pour la vitesse.
Pertinence de la réponse: Une métrique mesurant dans quelle mesure la réponse générée répond à la question originale.
B
BGE (Beijing Academy General Embedding): Modèles d'embedding open-source de BAAI connus pour leur haute qualité.
BM25: Un algorithme de classement basé sur les mots-clés utilisé dans les systèmes traditionnels de récupération d'information.
C
Chunk: Un segment de texte créé en divisant de plus grands documents pour l'indexation et la récupération.
Chevauchement de Chunk: Texte partagé entre des chunks consécutifs pour préserver le contexte aux frontières.
Chroma: Une base de données vectorielle open-source et légère populaire pour le développement.
Précision du contexte: Métrique RAGAS mesurant la pertinence des documents récupérés.
Rappel du contexte: Métrique RAGAS mesurant si toutes les informations nécessaires ont été récupérées.
Similarité cosinus: Métrique de similarité mesurant l'angle entre deux vecteurs (plage : -1 à 1).
Cross-Encoder: Un modèle qui évalue les paires requête-document ensemble pour le reranking.
D
Récupération dense: Récupération utilisant des représentations vectorielles denses (embeddings) plutôt que des mots-clés clairsemés.
Chargeur de documents: Composant qui extrait le texte de divers formats de fichiers (PDF, DOCX, etc.).
E
Embedding: Représentation vectorielle dense d'un texte qui capture le sens sémantique.
Distance euclidienne: Métrique de distance mesurant la distance en ligne droite entre les vecteurs.
F
FAISS (Facebook AI Similarity Search): Bibliothèque haute performance pour la recherche de similarité et le clustering de vecteurs denses.
Fidélité: Métrique mesurant si la réponse générée est ancrée dans le contexte récupéré (pas d'hallucinations).
Ajustement fin: Entraîner un modèle sur des données spécifiques pour changer son comportement ou ses connaissances.
G
Génération: La phase où un LLM produit une réponse en utilisant le contexte récupéré.
GPT (Generative Pre-trained Transformer): Famille de grands modèles de langage d'OpenAI.
H
Hallucination: Lorsqu'un LLM génère des informations fausses ou non fondées avec confiance.
HNSW (Hierarchical Navigable Small World): Algorithme populaire basé sur les graphes pour une recherche rapide de voisins approximativement les plus proches.
HyDE (Hypothetical Document Embeddings): Technique de génération d'une réponse hypothétique pour améliorer la récupération.
Recherche hybride: Combinaison de la recherche par mots-clés (BM25) et sémantique (vecteur).
I
Indexation: Le processus hors ligne de préparation des documents pour la récupération (charger, diviser, embedder, stocker).
Produit scalaire (Dot Product): Métrique de similarité ; pour les vecteurs normalisés, équivalent à la similarité cosinus.
IVF (Inverted File Index): Algorithme de recherche vectorielle qui regroupe les vecteurs pour une recherche plus rapide.
K
Limite de connaissances: La date après laquelle un LLM n'a pas de connaissances de données d'entraînement.
L
LangChain: Cadre populaire pour construire des applications LLM, y compris des pipelines RAG.
LangSmith: Plateforme de débogage et de surveillance pour les applications LangChain.
LCEL (LangChain Expression Language): Syntaxe déclarative pour composer des composants LangChain.
LlamaIndex: Cadre axé sur l'indexation et l'interrogation de données pour les applications LLM.
LLM (Large Language Model): Modèles de réseaux neuronaux entraînés sur de grands corpus de texte (GPT-4, Claude, Llama, etc.).
M
Métadonnées: Informations supplémentaires stockées avec les documents (source, date, auteur, etc.).
Milvus: Base de données vectorielle distribuée open-source pour les déploiements à grande échelle.
MMR (Maximum Marginal Relevance): Méthode de récupération équilibrant la pertinence avec la diversité.
MRR (Mean Reciprocal Rank): Métrique mesurant à quel rang se trouve le premier document pertinent.
MTEB (Massive Text Embedding Benchmark): Benchmark standard pour comparer les modèles d'embedding.
Récupération multi-requêtes: Générer plusieurs variations de requêtes pour améliorer la couverture de récupération.
Multi-Tenancy: Servir plusieurs organisations à partir d'une seule plateforme avec isolation des données.
N
Espace de noms: Partition dans une base de données vectorielle pour isoler les données (par exemple, par locataire).
O
OCR (Reconnaissance Optique de Caractères): Conversion d'images de texte en texte lisible par machine.
P
pgvector: Extension PostgreSQL permettant la recherche de similarité vectorielle.
Pinecone: Base de données vectorielle infonuagique entièrement gérée.
Précision@K: Pourcentage de documents récupérés (top K) qui sont pertinents.
Prompt: Texte d'entrée pour un LLM, souvent incluant des instructions et du contexte.
Q
Qdrant: Base de données vectorielle haute performance écrite en Rust.
Expansion de requête: Ajout de termes connexes et de synonymes à une requête.
Réécriture de requête: Utilisation d'un LLM pour reformuler les requêtes pour une meilleure récupération.
R
RAG (Génération Augmentée par Récupération): Technique combinant la récupération de documents avec la génération par LLM.
RAGAS: Cadre pour l'évaluation automatisée des pipelines RAG.
Rappel@K: Pourcentage de tous les documents pertinents qui apparaissent dans les K premiers résultats.
Fusion de rangs réciproques (RRF): Méthode pour combiner les classements de plusieurs récupérateurs.
Reranking: Réévaluation des résultats de récupération initiaux avec un modèle plus puissant.
Récupération: La phase en ligne de recherche de documents pertinents pour une requête.
Récupérateur: Composant qui récupère des documents pertinents à partir d'une base de connaissances.
S
Cache sémantique: Mise en cache des résultats pour des requêtes sémantiquement similaires.
Recherche sémantique: Trouver des documents basés sur le sens plutôt que sur des mots-clés exacts.
Auto-requête: Utilisation d'un LLM pour extraire à la fois la requête sémantique et les filtres de métadonnées à partir de l'entrée.
Transformateurs de phrases: Bibliothèque et modèles pour générer des embeddings de phrases.
Sharding: Répartition des données sur plusieurs nœuds de base de données.
T
Diviseur de texte: Composant qui divise les documents en plus petits chunks.
Jeton: Plus petite unité de texte traitée par les LLM (environ 4 caractères en anglais).
Top-K: Les K résultats les plus similaires/pertinents à retourner.
V
Vecteur: Tableau numérique représentant le texte dans l'espace d'embedding.
Base de données vectorielle: Base de données optimisée pour le stockage et la recherche de vecteurs de haute dimension.
Magasin de vecteurs: Composant qui stocke les embeddings et permet la recherche de similarité.
W
Weaviate: Base de données vectorielle open-source avec vectorisation intégrée.
Référence rapide
| Terme | Catégorie | Définition |
|---|---|---|
| RAG | Noyau | Récupération + Génération |
| Embedding | Noyau | Représentation vectorielle |
| Chunk | Traitement | Segment de texte |
| HNSW | Algorithme | Recherche ANN |
| RAGAS | Évaluation | Évaluation RAG |
| Hallucination | Problème | Sortie fausse |
| Top-K | Récupération | Nombre de résultats |