Définition
Le RAG relie un modèle de langage à un corpus qui vous appartient. Quand une question arrive, le système cherche dans ce corpus, extrait les passages les plus susceptibles de compter et les place devant le modèle, afin que la réponse s’appuie sur votre matière plutôt que sur ses données d’entraînement.
Le problème que règle le RAG
Un modèle de langage sait beaucoup de choses sur le monde et rien sur vous. Demandez-lui votre politique de remboursement : il produira quelque chose qui ressemble à une politique de remboursement, puisque c’est ce pour quoi il a été entraîné.
Le RAG comble cet écart sans réentraînement. La séquence est courte : une question arrive, le système cherche dans votre contenu les passages les plus susceptibles d’y répondre, ces passages sont insérés dans l’instruction, et le modèle répond à partir d’eux. Sa tâche passe de se souvenir à lire, un exercice où il est nettement meilleur.
C’est pourquoi le RAG est devenu l’architecture par défaut des assistants de connaissance interne, des outils de soutien et de toute application où la réponse doit venir de votre matière et pouvoir y être retracée.
RAG ou ajustement fin : la comparaison qu’on rate souvent
| RAG | Ajustement fin | |
|---|---|---|
| Apprend au modèle | Des faits, au moment de répondre | Un style, un format, un comportement |
| Mettre à jour le contenu | Modifier le document | Réentraîner |
| Peut citer ses sources | Oui | Non |
| Gère l’information fraîche | Immédiatement | À la prochaine session d’entraînement |
| Contrôle d’accès | Applicable par utilisateur | Figé pour tout le monde |
| Coût de départ | Faible | Plus élevé |
La règle : le RAG pour ce que le modèle doit savoir, l’ajustement fin pour la façon dont il doit se comporter. Des équipes se tournent vers l’ajustement fin pour corriger des erreurs factuelles et s’étonnent que cela ne fonctionne pas : le modèle devient plus fluide sur votre domaine sans devenir plus exact. Si un document a changé ce matin et que la réponse doit le refléter, seule la récupération peut le faire.
Pourquoi un RAG déçoit, et ce qui le corrige vraiment
La plupart des déploiements RAG décevants ne souffrent pas d’un problème de modèle, mais d’un problème de récupération : le modèle a mal répondu parce qu’on lui a remis les mauvais passages.
Un découpage qui casse le sens. Les documents sont fractionnés avant l’indexation. Découpez mal, au milieu d’un tableau ou d’une clause, ou en séparant un titre de ce qu’il régit, et aucune recherche ne rattrapera le sens perdu. C’est la cause la plus fréquente de mauvais résultats et la moins discutée.
Une recherche qui apparie des mots plutôt qu’une intention. La recherche par mots-clés rate les reformulations ; la recherche vectorielle seule rate les identifiants exacts comme les numéros de pièce ou les codes de politique. Les systèmes efficaces combinent généralement les deux et reclassent les résultats.
Un corpus que personne n’a curé. Trois versions de la même politique, deux périmées, toutes indexées. La récupération fonctionne parfaitement et renvoie la mauvaise. Le RAG fera remonter fidèlement vos problèmes de contenu.
Aucune évaluation. Sans un jeu de vraies questions dont on connaît les bonnes réponses, « ça semble mieux » est la seule mesure disponible. Construisez le jeu d’évaluation avant d’ajuster quoi que ce soit, sinon vous devinez.
Des permissions ignorées. Si la récupération ne filtre pas selon qui pose la question, vous avez bâti un système qui citera volontiers la révision salariale à quiconque demande poliment.
L’approche Automathing
Nous traitons la qualité de la récupération comme le vrai problème d’ingénierie et le modèle comme la partie facile. Cela veut dire investir d’abord dans la structure des documents et le découpage, combiner recherche par mots-clés et recherche sémantique plutôt que parier sur une seule, appliquer les permissions au moment de la récupération et non dans l’instruction, et bâtir un jeu d’évaluation de vraies questions avant tout ajustement. Quand un projet RAG sous-performe, nous regardons ce que la recherche a renvoyé avant de regarder le modèle.
Ce que le RAG exige de votre contenu
Le RAG fonctionne bien quand la réponse existe quelque part par écrit. Il fonctionne mal quand la vraie réponse vit dans la tête de quelqu’un, dans une décision non documentée, ou dans un chiffrier dont le sens dépend de savoir quelle colonne a été abandonnée en 2023.
Concrètement, un corpus est prêt quand les documents ont une vraie structure, soit des titres, des sections et une mise en forme cohérente plutôt que des images numérisées de texte ; quand il existe une seule version courante de chaque chose et que les périmées sont retirées ; quand la terminologie est assez constante pour qu’un même concept ne porte pas trois noms ; et quand les règles d’accès sont assez explicites pour être appliquées à la récupération.
Y parvenir constitue souvent l’essentiel du projet, et cela vaut la peine indépendamment de l’IA.
Foire aux questions
Que signifie RAG ?
« Retrieval-Augmented Generation », soit génération augmentée par récupération. La récupération désigne la recherche dans votre contenu, l’augmentation l’ajout des résultats à l’instruction, et la génération la rédaction de la réponse par le modèle à partir de cette matière.
Le RAG est-il meilleur que l’ajustement fin ?
Ils règlent des problèmes différents ; la comparaison n’a de sens que cas par cas. Le RAG s’impose quand les réponses doivent provenir d’information courante, précise et changeante, ce qui décrit la majorité des usages d’affaires. L’ajustement fin s’impose pour un ton, un format ou un comportement constants à grande échelle. Quand les deux sont nécessaires, on utilise les deux, et le RAG est presque toujours celui à construire en premier.
Le RAG garantit-il que le modèle n’inventera rien ?
Il réduit fortement le risque sans l’éliminer. Le modèle peut encore mal lire un passage, mélanger deux sources ou combler un vide quand la récupération n’a rien renvoyé d’utile. Exiger des citations, montrer les passages sources à l’utilisateur et faire dire « je ne sais pas » au système quand la recherche revient vide aident tous ; mesurer le taux résiduel sur de vraies questions vous dit avec quoi vous vivez.
Combien de temps prend la construction d’un système RAG ?
Un prototype fonctionnel sur un corpus propre et bien structuré se compte en semaines. Ce qui allonge, c’est le contenu : permissions à démêler, formats à normaliser, doublons à retirer, documents numérisés à passer en reconnaissance de texte. Quand un projet RAG s’étire, la cause est presque toujours le corpus, pas l’IA.
Le RAG fonctionne-t-il avec nos systèmes documentaires actuels ?
Généralement oui : SharePoint, Google Drive, Confluence, un partage de fichiers ou une base de données peuvent tous être indexés. Les vraies questions sont de savoir si le système peut lire les formats que vous stockez réellement, s’il peut respecter les permissions que ces systèmes appliquent, et comment il apprend qu’un document a changé. Réglez ces trois points et l’intégration est habituellement simple.