RAG : une IA qui connaît les documents de votre entreprise

Ce que vous verrez dans cette leçon

1. RAG : que l'IA cherche avant de répondre

   Le RAG (génération augmentée par récupération) cherche dans vos documents les passages utiles et les donne à l'IA avec la question.

2. D'abord : est-ce que tout tient dans le contexte ?

   Si vos documents font moins d'environ 200 000 tokens, quelque 500 pages, mieux vaut souvent les mettre en entier avec le cache.

3. La voie rapide : la recherche de fichiers de l'API

   OpenAI et Google proposent un RAG tout prêt : vous envoyez les fichiers et le modèle y cherche tout seul et cite la source.

4. Étape 1 : découper les documents

   Si vous montez votre propre RAG, vous découpez d'abord les documents en passages de quelques centaines de tokens : on cherche et on livre passage par passage.

5. Étape 2 : embeddings et base vectorielle

   Un embedding transforme chaque passage en une liste de nombres qui résume son sens : les textes proches se retrouvent côte à côte.

6. Recherche hybride : mots exacts plus sens

   Combinez la recherche par mots exacts (BM25, celle des moteurs de recherche classiques) avec celle par le sens, puis fusionnez les deux listes.

7. Réordonnancement : un second filtre plus malin

   Un reranker relit la question avec chaque candidat et les classe selon leur pertinence réelle avant de les passer à l'IA.

8. Récupération contextuelle : chaque passage avec son contexte

   Avant l'indexation, l'IA ajoute à chaque passage une ou deux phrases qui expliquent de quel document et de quelle section il vient.

9. Résumé

   Commencez par le plus simple qui fonctionne et n'ajoutez des techniques que lorsque vos tests prouvent qu'elles sont nécessaires.