Pipeline RAG : de l’ingestion à la génération (sprint)RAG pipeline: from ingestion to generation (sprint)Pipeline RAG: de la ingesta a la generación (sprint)
Parcours : Data, RAG & Vector Databases · AvancéCourse: Data, RAG & Vector Databases · AdvancedCurso: Datos, RAG y bases de datos vectoriales · Avanzado

≈ 15 min
Contexte
Un RAG n’est pas un appel API : c’est une chaîne de six maillons.
Au programme de ce moduleIn this moduleEn el programa de este módulo
- 01Contexte≈ 15 min
- 02Explication≈ 35 min
- 03Démonstration≈ 35 min
- 04Cas pratique≈ 30 min
- 05Étude de cas≈ 30 min
- 06Exercice≈ 35 min
- 07Quiz≈ 5 min
Un RAG en production n’est pas « un appel au modèle » : c’est une chaîne de six maillons, ingestion, découpage, indexation, récupération, ré-ranking, génération. La qualité finale est celle du maillon le plus faible : un document mal extrait ou un découpage brutal ruinent la meilleure génération du monde.
Indexer un document de 50 pages comme un seul bloc rend la récupération imprécise : on récupère tout, dont 90 % d’hors-sujet. On découpe donc le corpus en « chunks » (morceaux) plus petits, chacun indexé séparément, pour ne remonter que les passages réellement pertinents. Ce module est un sprint : on construit le pipeline complet, maillon par maillon, jusqu’à un RAG minimal qui tourne sur 10 documents.
Ce module est le cœur pratique du parcours. Les deux premiers ont posé le pourquoi et la mécanique de la recherche ; celui-ci assemble les pièces. C’est aussi le module où l’on cesse de raisonner en « bon » ou « mauvais » système pour raisonner en maillons. Un RAG ne se résume pas à « ça marche » ou « ça ne marche pas » : il marche mal QUELQUE PART, et tout l’art consiste à savoir où.
Cette manière de penser change la façon de corriger. Face à une mauvaise réponse, le réflexe le plus répandu consiste à changer de modèle génératif, parce que c’est le maillon le plus visible et le plus facile à remplacer. C’est presque toujours le mauvais endroit. Si le passage contenant la réponse n’a jamais été retrouvé, aucun modèle, si performant soit-il, ne pourra le deviner. Inversement, si le passage était présent mais noyé au milieu de quarante autres, ce n’est pas davantage un problème de modèle.
Le vocabulaire du diagnostic tient en deux mots qu’il faut savoir distinguer sans hésiter. Le RAPPEL désigne la capacité à faire figurer le bon passage quelque part parmi les candidats retrouvés. La PRÉCISION désigne la capacité à le placer en tête et à écarter le reste. Un défaut de rappel et un défaut de précision se soignent par des gestes opposés : le premier réclame d’élargir la recherche ou de revoir le découpage, le second de resserrer et de reclasser. Confondre les deux conduit à aggraver le problème que l’on croit corriger.
Ce que vous saurez faire
Nommer les six maillons d’un pipeline RAG et dire ce qui casse dans chacun. Choisir une stratégie de découpage adaptée à un type de document, et la défendre. Diagnostiquer une mauvaise réponse en localisant le maillon fautif plutôt qu’en changeant de modèle au hasard. Construire un RAG minimal de bout en bout sur un petit corpus et mesurer, chiffres à l’appui, l’effet d’un ré-ranking.
Objectifs d’apprentissage
À l’issue de ce module, vous saurez Comprendre les six étapes du pipeline RAG, Appliquer trois stratégies de chunking (taille fixe, par section, par frontière sémantique), Analyser un échec en localisant le maillon fautif (rappel vs précision), et Créer un RAG minimal de bout en bout sur 10 documents.