Quiz : Introduction à RAG
Testez vos connaissances sur les fondamentaux de RAG, les limitations des LLM et l'architecture RAG.
30 questions - Cliquez sur chaque question pour révéler la réponse correcte.
Question 1
Que signifie RAG ?
a) Rapid Automated Generation
b) Retrieval-Augmented Generation
c) Random Access Generation
d) Response Augmented Gateway
Afficher la réponse
Réponse correcte : b
RAG signifie Retrieval-Augmented Generation, une technique qui combine la récupération d'informations avec la génération par LLM.
Question 2
Quelle analogie décrit le mieux RAG ?
a) Un examen à livre fermé
b) Un examen à livre ouvert
c) Mémoriser un manuel
d) Écrire à partir de l'imagination
Afficher la réponse
Réponse correcte : b
RAG est comme un examen à livre ouvert - le LLM peut "consulter" des informations pertinentes avant de répondre, plutôt que de se fier uniquement à ce qu'il a mémorisé pendant l'entraînement.
Question 3
Quel est le principal objectif de RAG ?
a) Remplacer complètement les LLM
b) Rendre les LLM plus rapides
c) Améliorer les LLM avec des connaissances externes
d) Réduire les coûts des LLM
Afficher la réponse
Réponse correcte : c
RAG améliore les LLM en leur fournissant des informations pertinentes récupérées à partir de sources de connaissances externes, améliorant ainsi la précision et permettant l'accès à des données privées/actuelles.
Question 4
Lequel de ces problèmes RAG ne résout-il PAS ?
a) Hallucinations
b) Limite de connaissances
c) Vitesse d'inférence lente
d) Pas d'accès aux données privées
Afficher la réponse
Réponse correcte : c
RAG ne traite pas principalement la vitesse d'inférence. En fait, RAG peut ajouter de la latence en raison de l'étape de récupération. RAG résout les hallucinations, la limite de connaissances et l'accès aux données privées.
Question 5
Qu'est-ce qui cause les hallucinations des LLM ?
a) Surcharge du serveur
b) Les LLM prédisent des tokens sans vérification des faits
c) Trop de données d'entraînement
d) Latence réseau
Afficher la réponse
Réponse correcte : b
Les LLM sont des machines à probabilité qui prédisent le prochain token basé sur des motifs, pas sur des bases de données factuelles. Ils peuvent générer avec confiance des informations plausibles mais fausses.
Question 6
Combien de phases principales un système RAG a-t-il ?
a) 2
b) 3
c) 4
d) 5
Afficher la réponse
Réponse correcte : b
Un système RAG a trois phases principales : Indexation (hors ligne), Récupération (en ligne) et Génération (en ligne).
Question 7
Quelle phase de RAG se déroule hors ligne (avant les requêtes des utilisateurs) ?
a) Récupération
b) Génération
c) Indexation
d) Réponse
Afficher la réponse
Réponse correcte : c
La phase d'indexation se déroule hors ligne - les documents sont chargés, découpés, intégrés et stockés dans une base de données vectorielle avant toute requête utilisateur.
Question 8
Quel est le but du découpage de texte dans RAG ?
a) Compresser les documents
b) Chiffrer les documents
c) Diviser les documents en unités plus petites et récupérables
d) Traduire les documents
Afficher la réponse
Réponse correcte : c
Le découpage divise les grands documents en unités plus petites pour une récupération plus précise et pour s'adapter aux fenêtres de contexte des LLM.
Question 9
Que sont les embeddings dans le contexte de RAG ?
a) Éléments HTML
b) Index de base de données
c) Représentations vectorielles denses de texte
d) Clés de chiffrement
Afficher la réponse
Réponse correcte : c
Les embeddings sont des représentations vectorielles denses qui capturent le sens sémantique du texte. Les textes similaires ont des vecteurs similaires.
Question 10
Quel type de base de données est spécialement conçu pour stocker des embeddings ?
a) Base de données relationnelle
b) Base de données de documents
c) Base de données vectorielle
d) Base de données graphe
Afficher la réponse
Réponse correcte : c
Les bases de données vectorielles sont spécialement conçues pour stocker et rechercher efficacement des vecteurs de haute dimension (embeddings).
Question 11
Que fait la recherche de similarité dans RAG ?
a) Trouve des correspondances de texte exactes
b) Trouve des documents avec des représentations vectorielles similaires
c) Compare les tailles de fichiers
d) Trie les documents par ordre alphabétique
Afficher la réponse
Réponse correcte : b
La recherche de similarité trouve des documents dont les représentations vectorielles sont proches du vecteur de requête, indiquant une similarité sémantique.
Question 12
Quelle est la taille typique des chunks dans les systèmes RAG ?
a) 10-50 caractères
b) 100-200 caractères
c) 500-1500 caractères
d) 10000+ caractères
Afficher la réponse
Réponse correcte : c
Les tailles typiques des chunks varient de 500 à 1500 caractères, équilibrant la précision de récupération avec suffisamment de contexte pour la compréhension.
Question 13
RAG est le mieux adapté pour quel type de tâche ?
a) Écriture créative
b) Conversation informelle
c) Requêtes nécessitant beaucoup de connaissances
d) Compilation de code
Afficher la réponse
Réponse correcte : c
RAG excelle dans les tâches nécessitant beaucoup de connaissances où des informations précises et vérifiables sont nécessaires, comme les questions-réponses sur des documents.
Question 14
Quand devriez-vous préférer le fine-tuning à RAG ?
a) Lorsque vous avez besoin d'accéder à des données privées
b) Lorsque vous avez besoin d'informations en temps réel
c) Lorsque vous souhaitez changer le comportement/style du modèle
d) Lorsque vous avez besoin de citations de sources
Afficher la réponse
Réponse correcte : c
Le fine-tuning est meilleur pour changer le comportement du modèle (style, ton, format), tandis que RAG est meilleur pour ajouter des connaissances.
Question 15
Que se passe-t-il pendant la phase de Génération de RAG ?
a) Les documents sont indexés
b) Les embeddings sont créés
c) Le LLM produit une réponse en utilisant le contexte récupéré
d) Les vecteurs sont stockés
Afficher la réponse
Réponse correcte : c
Pendant la Génération, le LLM reçoit la requête utilisateur avec le contexte récupéré et produit une réponse fondée.
Question 16
Que signifie "réponse fondée" dans RAG ?
a) Une réponse écrite sur papier
b) Une réponse basée sur des documents factuels récupérés
c) Une réponse sans aucune source
d) Une réponse générée hors ligne
Afficher la réponse
Réponse correcte : b
Une réponse fondée est celle qui est basée sur et soutenue par les documents récupérés, réduisant les hallucinations.
Question 17
Lequel de ces exemples est une base de données vectorielle ?
a) MySQL
b) MongoDB
c) Pinecone
d) Redis (standard)
Afficher la réponse
Réponse correcte : c
Pinecone est une base de données vectorielle spécialement conçue. D'autres exemples incluent Weaviate, Chroma, Qdrant et Milvus.
Question 18
Quel est le problème de "limite de connaissances" ?
a) Les LLM manquent de mémoire
b) Les LLM ne connaissent pas les événements après leur date d'entraînement
c) Les LLM refusent de répondre aux questions
d) Les LLM génèrent trop de texte
Afficher la réponse
Réponse correcte : b
La limite de connaissances signifie que les LLM n'ont pas d'informations sur les événements survenus après la collecte de leurs données d'entraînement.
Question 19
Comment RAG aide-t-il avec les données privées/internes ?
a) Il entraîne le LLM sur des données privées
b) Il chiffre le LLM
c) Il récupère à partir de documents privés indexés
d) Il supprime les données privées
Afficher la réponse
Réponse correcte : c
RAG vous permet d'indexer des documents privés et de les récupérer, donnant au LLM accès à des informations sur lesquelles il n'a pas été entraîné.
Question 20
Qu'est-ce que le chevauchement de chunks et pourquoi est-il utilisé ?
a) Dupliquer des chunks pour sauvegarde
b) Texte répété entre les chunks pour préserver le contexte
c) Remplissage de chiffrement
d) Correction d'erreurs
Afficher la réponse
Réponse correcte : b
Le chevauchement de chunks signifie que les chunks consécutifs partagent du texte à leurs frontières, empêchant l'information d'être coupée en plein contexte.
Question 21
Quelle métrique mesure la similarité entre deux vecteurs ?
a) Précision
b) Exactitude
c) Similarité cosinus
d) Latence
Afficher la réponse
Réponse correcte : c
La similarité cosinus mesure l'angle entre deux vecteurs, indiquant à quel point leurs directions sont similaires (et donc la similarité sémantique).
Question 22
Dans un prompt RAG, qu'est-ce que le "contexte" ?
a) Les questions précédentes de l'utilisateur
b) Les documents récupérés
c) Les données d'entraînement du LLM
d) La configuration du système
Afficher la réponse
Réponse correcte : b
Dans RAG, le contexte se réfère aux documents/chunks pertinents récupérés de la base de connaissances et inclus dans le prompt.
Question 23
Que signifie "récupération top-k" ?
a) Récupérer les k documents les plus pertinents
b) Récupérer k documents aléatoires
c) Récupérer des documents commençant par la lettre K
d) Récupérer k mégaoctets de données
Afficher la réponse
Réponse correcte : a
La récupération top-k signifie trouver et retourner les k documents les plus similaires/pertinents en fonction de la requête.
Question 24
En quelle année le document original sur RAG a-t-il été publié ?
a) 2018
b) 2019
c) 2020
d) 2022
Afficher la réponse
Réponse correcte : c
Le document original sur RAG "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" a été publié en 2020 par Facebook AI Research.
Question 25
Pourquoi RAG pourrait-il ajouter de la latence par rapport aux appels LLM purs ?
a) Surcharge de chiffrement
b) L'étape de récupération prend du temps
c) RAG utilise des modèles plus lents
d) RAG nécessite plus de mémoire GPU
Afficher la réponse
Réponse correcte : b
RAG ajoute la phase de récupération (intégration de la requête, recherche dans la base de données vectorielle) avant la génération, ce qui ajoute de la latence.
Question 26
Qu'est-ce que la recherche sémantique ?
a) Recherche par correspondance exacte de mots-clés
b) Recherche par nom de fichier
c) Recherche par signification plutôt que par mots exacts
d) Recherche par date
Afficher la réponse
Réponse correcte : c
La recherche sémantique trouve des documents basés sur la signification/intention plutôt que sur des correspondances exactes de mots-clés, en utilisant la similarité vectorielle.
Question 27
Quel composant convertit le texte en vecteurs ?
a) Diviseur
b) Chargeur
c) Modèle d'embedding
d) Générateur
Afficher la réponse
Réponse correcte : c
Le modèle d'embedding convertit le texte (à la fois les documents et les requêtes) en représentations vectorielles denses.
Question 28
Quel est un avantage de RAG par rapport au fine-tuning pour les données dynamiques ?
a) Moins de précision
b) Les données peuvent être mises à jour sans réentraînement
c) Génération plus rapide
d) Taille de modèle plus petite
Afficher la réponse
Réponse correcte : b
RAG vous permet de mettre à jour la base de connaissances sans réentraîner le modèle, tandis que le fine-tuning nécessite un réentraînement coûteux pour les mises à jour de données.
Question 29
Quel est le rôle du récupérateur dans RAG ?
a) Générer des réponses
b) Trouver des documents pertinents pour une requête
c) Entraîner le LLM
d) Compresser les documents
Afficher la réponse
Réponse correcte : b
Le rôle du récupérateur est de trouver et de retourner les documents ou chunks les plus pertinents pour une requête donnée à partir de la base de connaissances.
Question 30
Quel n'est PAS un composant typique dans un pipeline d'indexation RAG ?
a) Chargeur de documents
b) Diviseur de texte
c) Interface utilisateur
d) Modèle d'embedding
Afficher la réponse
Réponse correcte : c
Le pipeline d'indexation inclut typiquement : chargeur de documents, diviseur de texte, modèle d'embedding, et magasin vectoriel. L'interface utilisateur ne fait pas partie de l'indexation.
Résultats
| Score | Niveau |
|---|---|
| 27-30 | Excellent - Forte compréhension des fondamentaux de RAG |
| 21-26 | Bon - Une révision est recommandée |
| 15-20 | Moyen - Relisez les chapitres |
| Moins de 15 | Nécessite une révision complète |