IA
RAG
Aussi : Retrieval-Augmented Generation · retrieval augmented generation
En clair
Plutôt que de laisser le modèle répondre de mémoire, on cherche d’abord dans vos documents, puis on lui demande de rédiger à partir des extraits trouvés. La réponse s’appuie alors sur des passages identifiables, que l’on peut citer et vérifier. Toute la qualité tient à la première étape : si les bons passages ne remontent pas, le modèle comble les trous tout seul.
Concrètement
Un assistant RH qui cite la page 12 de la convention collective, plutôt qu’une règle générale qu’il aurait reconstituée.
Pourquoi ça compte
Brancher des documents ne suffit pas. Sans mesurer ce que la recherche remonte réellement, on croit avoir supprimé les inventions alors qu’on les a seulement déplacées.
Définition technique
Retrieval-Augmented Generation : le modèle interroge d’abord une base de documents, puis génère une réponse ancrée sur ces extraits.
Le RAG réduit les hallucinations factuelles en injectant du contexte récupéré (embeddings + recherche). Qualité = chunking, ranking, citations et gouvernance du corpus.
À ne pas confondre avec
- Fine-tuning — RAG ancre une réponse sur des documents ; fine-tuning adapte le comportement du modèle.