Chapitre 1 : Qu'est-ce que RAG ?

Introduction

La génération augmentée par récupération (RAG) est une technique qui améliore les grands modèles de langage (LLM) en leur fournissant des informations pertinentes récupérées à partir de sources de connaissances externes. Au lieu de se fier uniquement aux données d'entraînement du modèle, les systèmes RAG récupèrent des documents pertinents et les utilisent pour générer des réponses plus précises, à jour et contextuellement pertinentes.

Le concept de base

Pensez à RAG comme à un examen à livre ouvert :

• Sans RAG (Livre fermé) : Le LLM répond aux questions en utilisant uniquement ce qu'il a mémorisé pendant l'entraînement
• Avec RAG (Livre ouvert) : Le LLM peut consulter des informations pertinentes avant de répondre

Étymologie et historique

Le terme "génération augmentée par récupération" a été inventé par Lewis et al. dans leur article de 2020 "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks".

Étapes clés :

• 2020 : Publication de l'article original sur RAG par Facebook AI Research
• 2021 : Améliorations de la récupération de passages denses (DPR)
• 2022 : Les bases de données vectorielles deviennent courantes
• 2023 : LangChain et LlamaIndex popularisent les pipelines RAG
• 2024 : Techniques RAG avancées (HyDE, Multi-Query, etc.)

RAG vs autres approches

RAG vs Ajustement fin

Aspect	RAG	Ajustement fin
Mises à jour des données	En temps réel	Nécessite un réentraînement
Coût	Moindre	Plus élevé
Idéal pour	Connaissances dynamiques	Changements de comportement
Transparence	Peut citer des sources	Boîte noire
Complexité de configuration	Modérée	Plus élevée

RAG vs Ingénierie de prompt

Aspect	RAG	Ingénierie de prompt
Taille du contexte	Peut gérer de grandes bases de connaissances	Limité par la fenêtre de contexte
Précision	Plus élevée pour les requêtes factuelles	Dépend des connaissances du modèle
Cas d'utilisation	Tâches nécessitant des connaissances	Tâches générales

Les deux composants

1. Récupérateur

Le récupérateur est responsable de trouver des informations pertinentes :

# Concept simplifié de récupérateur
def retrieve(query, knowledge_base, top_k=5):
    """
    Trouver les documents les plus pertinents pour une requête
    """
    # Convertir la requête en embedding
    query_embedding = embed(query)
    
    # Rechercher dans la base de connaissances
    results = knowledge_base.similarity_search(
        query_embedding,
        top_k=top_k
    )
    
    return results

2. Générateur

Le générateur utilise le contexte récupéré pour produire des réponses :

# Concept simplifié de générateur
def generate(query, retrieved_docs, llm):
    """
    Générer une réponse en utilisant le contexte récupéré
    """
    # Construire le prompt avec le contexte
    context = "\n".join([doc.content for doc in retrieved_docs])
    
    prompt = f"""Based on the following context, answer the question.
    
Context:
{context}

Question: {query}

Answer:"""
    
    # Générer la réponse
    response = llm.generate(prompt)
    
    return response

Analogie du monde réel

Imaginez que vous êtes un agent de support client :

Sans RAG :

Vous répondez aux questions de mémoire, donnant potentiellement des informations obsolètes ou incorrectes.

Avec RAG :

Avant de répondre, vous consultez rapidement la base de connaissances de votre entreprise, trouvez le document de politique pertinent et fournissez une réponse précise avec une référence.

Quand utiliser RAG

RAG est idéal lorsque vous avez besoin de :

✅ Informations à jour - Documents d'entreprise, actualités, recherches
✅ Connaissances spécifiques au domaine - Documents médicaux, juridiques, techniques
✅ Attribution des sources - Citer d'où provient l'information
✅ Accès aux données privées - Informations internes à l'entreprise
✅ Réduction des hallucinations - Ancrer les réponses dans les faits

RAG pourrait ne pas être le meilleur choix lorsque :

❌ Écriture créative - Poésie, fiction, brainstorming
❌ Conversation générale - Une discussion informelle n'a pas besoin de récupération
❌ Changements de comportement - Enseigner au modèle un nouveau style (utiliser l'ajustement fin)

Applications industrielles

Support client

Utilisateur : "Quelle est votre politique de retour pour les produits électroniques ?"
RAG : Récupère la politique de retour actuelle → Génère une réponse précise

Recherche juridique

Utilisateur : "Trouver la jurisprudence sur la propriété intellectuelle dans le logiciel"
RAG : Récupère les cas pertinents → Résume les conclusions

Informations médicales

Utilisateur : "Quels sont les effets secondaires du médicament X ?"
RAG : Récupère les documents de la FDA → Fournit une liste précise

Recherche d'entreprise

Utilisateur : "Qu'est-ce qui a été discuté lors de la réunion du conseil du dernier trimestre ?"
RAG : Récupère les comptes rendus de réunion → Résume les points clés

Terminologie clé

Terme	Définition
Récupération	Le processus de recherche de documents pertinents
Augmentation	Ajouter le contexte récupéré au prompt
Génération	LLM produisant une réponse
Base de connaissances	Collection de documents à rechercher
Embedding	Représentation vectorielle du texte
Recherche sémantique	Trouver des documents par signification, pas par mots-clés

Résumé

• RAG combine récupération et génération pour de meilleures réponses d'IA
• Il résout les principales limitations des LLM comme les connaissances obsolètes et les hallucinations
• Deux composants principaux : Récupérateur (trouve les documents) + Générateur (produit la réponse)
• Idéal pour les tâches nécessitant des connaissances nécessitant précision et citations
• Différent de l'ajustement fin - RAG est pour les connaissances, l'ajustement fin pour le comportement

---

Prochaines étapes

Continuez vers Chapitre 2 : Pourquoi RAG ? pour comprendre les problèmes spécifiques que RAG résout.