Définition
RAG en IA : c'est quoi, en termes simples ?
Le RAG (génération augmentée par récupération) fait répondre une IA à partir de vos documents. Définition, image du quotidien, exemple et limites.
Mis à jour le
Le RAG, de l'anglais retrieval augmented generation (« génération augmentée par récupération »), est une technique qui fait répondre une intelligence artificielle à partir de documents choisis, plutôt que de sa seule mémoire. À chaque question, un moteur de recherche va chercher les passages pertinents dans vos documents et les transmet au modèle, qui rédige sa réponse en s'appuyant dessus.
La documentation d'Anthropic, éditeur du modèle Claude, le décrit comme une technique qui combine la recherche d'information et la génération de texte, pour améliorer l'exactitude et la pertinence des réponses et mieux les ancrer dans des éléments vérifiables.
Une image du quotidien
Un grand modèle de langage seul, c'est un candidat qui passe un examen de mémoire : il répond avec ce qu'il a retenu, et comble les trous comme il peut. Le RAG, c'est le même candidat à un examen « documents autorisés », avec un bibliothécaire qui lui apporte, pour chaque question, les trois pages du classeur qui en parlent. Il dispose alors de passages à consulter et peut citer la page ; la pertinence des passages et leur interprétation restent à vérifier.
D'où vient le terme
Le terme désigne à l'origine les modèles présentés dans l'article de recherche « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », de Patrick Lewis et de ses coauteurs, déposé le 22/05/2020. Les auteurs y associaient un modèle de langage à un index de Wikipédia interrogé à chaque question.
Un exemple concret
Prenons une entreprise de maintenance fictive qui a des centaines de notices techniques en PDF. Un technicien demande : « Quel est l'intervalle d'entretien de tel modèle de chaudière ? » Le résultat attendu est une réponse rattachée à la bonne notice et à la bonne page. Si le système récupère la notice d’un autre modèle, une réponse bien rédigée peut être dangereusement inadaptée. Le risque d’hallucination ne disparaît pas avec la présence d’une source.
La notice de maintenance permettrait un échange concret : quelle version a été retrouvée et quel passage justifie l’intervalle annoncé ? Montrez une question et une notice publique autorisée, sans apporter toute la documentation interne. Le développement et l'intégration sur les outils de l'entreprise peuvent être examinés si le besoin nécessite un raccordement documentaire. Il faut d'abord définir la réponse attendue et sa vérification.
Contrôler la recherche avant la réponse
Pour une question test, regardez d’abord les passages réellement récupérés. Contiennent-ils l’information attendue, la référence exacte du produit et une version applicable ? Si le bon passage est absent, reformuler la réponse ne répare pas la recherche.
Examinez ensuite si la réponse reprend correctement ce passage. Enfin, essayez une question dont la réponse n’existe pas dans la base : le système doit pouvoir signaler ce manque. Ces trois contrôles distinguent un défaut de récupération, une mauvaise interprétation et une réponse inventée pour combler un vide.
Ce que ça change pour une entreprise
Selon la documentation d'Anthropic, le RAG est particulièrement utile quand il faut :
- des informations à jour, que le modèle n'a pas pu apprendre ;
- des connaissances propres à un domaine ou à une entreprise ;
- des réponses qui citent leurs sources.
La même documentation prévient que son efficacité dépend de la qualité de la base de documents et des passages retrouvés. Des documents obsolètes donneront des réponses obsolètes, citées avec assurance. Le trajet complet d'une question posée à ses propres fichiers, des passages retrouvés à la réponse rédigée, est raconté sans jargon sur NL-Q.
La mise en place (découpage des documents, recherche, droits d'accès) est détaillée sur Cercle IA Tech · RAG.
Termes voisins
Pour discuter la différence entre une base de documents et une représentation de l'activité, commencez par le jumeau numérique. Un dossier de procédures peut aider à répondre sans représenter l'état actuel d'un atelier.
Un exercice de désaccord sur les sources
Préparez deux consignes fictives portant sur des produits différents, avec un vocabulaire proche. Un premier lecteur juge seulement la réponse ; un second vérifie le document cité. Demandez-leur de rapprocher leurs conclusions avant de corriger le texte. Une citation exacte provenant du mauvais produit reste inadaptée à la question.
La méthode de journal d'essai permet de conserver cette différence entre résultat plausible et résultat vérifié. Vous pouvez proposer un échange sur une réponse documentaire à partir d'un exemple inventé.
Autres notions utiles
- Embedding : une méthode de représentation utilisée pour rechercher des passages proches par leur sens ; tous les systèmes RAG ne se limitent pas à cette méthode.
- Fenêtre de contexte : l'espace où les passages retrouvés sont placés.
- Fine-tuning : l'autre façon d'adapter un modèle, en le réentraînant.
- LLM : le modèle qui rédige la réponse.
Questions fréquentes
Que veut dire RAG ?
Retrieval augmented generation, que l'on traduit par génération augmentée par récupération : on récupère d'abord les passages utiles dans une base de documents, puis on les donne au modèle pour qu'il rédige sa réponse.
Le RAG supprime-t-il les erreurs de l'IA ?
Non. Il ancre la réponse dans des documents et peut améliorer l'exactitude, mais son efficacité dépend de la qualité des documents et des passages retrouvés.
Sources
Pages consultées pour écrire cet article :