Aller au contenu principal

Module 1 - Introduction à RAG

Aperçu​

Ce module vous introduit à la génération augmentée par récupération (RAG), l'un des paradigmes les plus importants dans les applications d'IA modernes. Vous apprendrez ce qu'est RAG, pourquoi il existe et comment il résout les limitations critiques des grands modèles de langage.

Objectifs d'apprentissage​

À la fin de ce module, vous serez capable de :

  • Définir RAG et expliquer ses composants principaux
  • Comprendre pourquoi RAG est nécessaire (limitations des LLM)
  • Décrire les trois phases de RAG : indexation, récupération et génération
  • Visualiser le pipeline RAG de bout en bout
  • Identifier les cas d'utilisation où RAG excelle

Contenu du module​

1. Qu'est-ce que RAG ?​

  • Définition et étymologie
  • Le concept de "récupération + génération"
  • Comment RAG diffère de l'ajustement fin
  • Brève histoire de RAG

2. Pourquoi RAG ? Problèmes avec les LLM purs​

  • Hallucinations et erreurs factuelles
  • Dates de coupure des connaissances
  • Absence d'accès aux données privées
  • Limites de tokens et fenêtres contextuelles

3. Aperçu de l'architecture RAG​

  • Phase d'indexation
  • Phase de récupération
  • Phase de génération
  • Visualisation complète du pipeline

Durée estimée​

2-3 heures (lecture + exercices + quiz)

Prérequis​

  • Compréhension de base des LLM (GPT, Claude, etc.)
  • Familiarité avec les API
  • Aucun codage requis pour ce module

Structure du module​

Module 1
├── Qu'est-ce que RAG ? (Définition et concepts)
├── Pourquoi RAG ? (Problèmes avec les LLM)
├── Architecture RAG (Les trois phases)
└── Quiz (30 questions)
  1. Qu'est-ce que RAG ? - Introduction complète
  2. Pourquoi RAG ? - Limitations des LLM
  3. Architecture RAG - Le pipeline
  4. Quiz - Module 1 - 30 questions

Aperçu des points clés​

Après avoir complété ce module, souvenez-vous :

  1. RAG = Récupération + Génération - Combiner la recherche avec les LLM
  2. RAG résout les hallucinations - En ancrant les réponses dans des données réelles
  3. Trois phases - Indexer → Récupérer → Générer
  4. RAG vs Ajustement fin - RAG pour les données dynamiques, ajustement fin pour le comportement

Commençons votre voyage avec RAG !