Aperçu moduleModule previewVista previa del módulo
Aperçu limité, 3 premières étapesLimited overview, first 3 stepsVisibilidad limitada, 3 primeras etapas

Le problème que résout le RAGThe problem RAG solvesEl problema que resuelve el RAG

Parcours : Data, RAG & Vector Databases · AvancéCourse: Data, RAG & Vector Databases · AdvancedCurso: Datos, RAG y bases de datos vectoriales · Avanzado

Le problème que résout le RAG
1/7
ÉtapeStepEtapa 1 / 7

≈ 15 min

Contexte

Pourquoi un LLM seul ne suffit pas pour répondre sur vos documents internes.

Au programme de ce moduleIn this moduleEn el programa de este módulo

  1. 01Contexte≈ 15 min
  2. 02Explication≈ 30 min
  3. 03Démonstration≈ 30 min
  4. 04Cas pratique≈ 25 min
  5. 05Étude de cas≈ 25 min
  6. 06Exercice≈ 35 min
  7. 07Quiz≈ 5 min
Durée totaleTotal durationDuración total≈ 165 min
voix de synthèse

Un grand modèle de langage ne connaît que ce qu’il a vu pendant son entraînement. Il ignore vos contrats, vos procédures internes, vos comptes-rendus de la semaine dernière. Lui poser une question sur ce corpus privé l’expose à inventer une réponse plausible mais fausse.

Trois limites structurelles expliquent ce constat. D’abord la date de coupure des connaissances (knowledge cutoff) : tout ce qui est postérieur à l’entraînement n’existe pas pour le modèle. Ensuite la confidentialité : vos documents internes n’ont jamais fait partie des données d’entraînement, et ne doivent pas en faire partie. Enfin la traçabilité : une réponse « de mémoire » ne cite aucune source, donc personne ne peut la vérifier.

Fil rouge du parcours : « Méridienne », une ETI fictive de 600 personnes (éditeur de logiciels), veut un assistant capable de répondre sur trois corpus internes : articles de support, procédures RH, contrats clients. Chaque module fera avancer ce chantier d’un cran.

Il faut comprendre d’où vient cette limite, sans quoi on croit qu’il suffit de mieux formuler sa question. Un modèle de langage produit, mot après mot, la suite la plus probable compte tenu de ce qu’il a lu pendant son entraînement. Il ne consulte aucun document au moment où il répond : il restitue une régularité statistique. Quand la question porte sur un fait qu’il n’a jamais vu, il ne dispose d’aucun mécanisme interne pour dire « je l’ignore » ; il produit la suite la plus vraisemblable, qui a toutes les apparences d’une réponse correcte. C’est pourquoi une invention est souvent mieux écrite qu’une vraie réponse : la fluidité ne coûte rien au modèle, l’exactitude si.

Reformuler la question ne change rien à ce problème. C’est l’erreur des premières semaines : on soupçonne un défaut de prompt là où il s’agit d’un défaut d’information. Un test simple permet de trancher. Posez la même question deux fois, la seconde en collant vous-même dans le prompt le paragraphe qui contient la réponse. Si la réponse devient juste, le problème n’était pas la formulation, il manquait la donnée. C’est exactement ce manque que le RAG industrialise.

Reprenons les trois limites, car chacune appelle une réponse différente. La date de coupure se traite par la fraîcheur : un index ré-indexé le jour même contient ce que le modèle ignorera toujours. La confidentialité se traite par la séparation : vos documents restent chez vous, seuls quelques extraits transitent au moment de la question, et rien n’est versé dans les poids du modèle. La traçabilité se traite par la citation : puisque l’on sait quels extraits ont été fournis, on peut les afficher, et un lecteur peut vérifier. Une réponse invérifiable n’a pas la même valeur qu’une réponse sourcée, quel que soit son degré de justesse apparent.

Un contre-exemple, pour ne pas surévaluer le RAG. Demander à un assistant de reformuler une note dans un style plus direct, ou de la traduire, ne requiert aucune connaissance interne. Brancher un RAG sur ce besoin n’améliore rien et ajoute une chaîne technique à exploiter. Le RAG répond à un problème d’ACCÈS à l’information, jamais à un problème de rédaction. Retenez la formule : si la réponse dépend de ce que contiennent vos documents, c’est un cas RAG ; si elle dépend de la façon d’écrire, ce n’en est pas un.

Objectif du module

À la fin, vous saurez expliquer ce qu’est le RAG (Retrieval-Augmented Generation) et pourquoi il relie un modèle génératif à une base documentaire, et choisir, cas par cas, entre RAG, fine-tuning et long-contexte.

Ce que vous saurez faire

Expliquer en trois phrases, à un interlocuteur non technique, pourquoi un modèle seul se trompe sur vos documents. Distinguer un problème de formulation d’un problème d’information manquante, par un test reproductible. Arbitrer entre RAG, fine-tuning et long-contexte sur un cas réel, en citant au moins deux critères objectifs et en sachant dire ce qui vous ferait changer d’avis.

Objectifs d’apprentissage

À l’issue de ce module, vous saurez Comprendre le « pourquoi » du RAG (fraîcheur, confidentialité, ancrage), Distinguer RAG, fine-tuning (ajustement fin du modèle) et long-contexte, Analyser si un cas d’usage interne est candidat au RAG, et Évaluer les coûts comparés des trois approches.