Qu’est-ce que le RAG ? Comment l’IA utilise la recherche pour mieux répondre

Points clés à retenir

• Le RAG fournit à un modèle d’IA des informations pertinentes à consulter avant de répondre, plutôt que de s’appuyer uniquement sur ce qu’il a appris pendant son entraînement.
• Il peut connecter un assistant aux connaissances d’une entreprise, à des articles scientifiques ou à des contenus web récents sans réentraîner le modèle sous-jacent.
• Une meilleure recherche d’informations peut améliorer les réponses, mais le RAG nécessite toujours des sources fiables, des contrôles d’accès et des vérifications pour détecter les erreurs.

La génération augmentée par récupération (RAG) est une méthode qui associe la recherche d’informations aux réponses générées par l’IA : un système récupère des contenus pertinents et les fournit à un modèle de langage comme contexte. Son intérêt est d’aider l’IA à répondre aux questions en utilisant des connaissances spécifiques, récentes ou privées qui ne figurent pas nécessairement dans ses données d’entraînement.

Fonctionnement

Imaginez le RAG comme un examen à livre ouvert pour un assistant IA. Au lieu de répondre uniquement de mémoire, il reçoit des documents de référence sélectionnés avant de rédiger sa réponse.

Un processus RAG classique comprend cinq étapes :

1. Préparer les sources. Rassemblez des documents, des articles d’aide, des politiques ou d’autres données. Supprimez les copies obsolètes et conservez les détails utiles, comme les titres, les dates et les autorisations d’accès.
2. Rendre le contenu consultable. Divisez les longs documents en sections de taille raisonnable, souvent appelées fragments, et ajoutez-les à un index de recherche. De nombreux systèmes créent aussi des plongements vectoriels : des représentations numériques qui permettent de rapprocher des textes selon leur sens.
3. Récupérer les contenus pertinents. Lorsqu’une personne pose une question, le système recherche des passages utiles. Il peut utiliser la recherche par mots-clés, la recherche par similarité ou les deux.
4. Fournir du contexte au modèle. Les passages sélectionnés sont inclus avec la question et les consignes, par exemple « réponds uniquement à partir de ces sources ».
5. Générer une réponse. Le modèle produit une réponse à partir de ce contexte. L’application peut afficher les références des sources pour que les lecteurs puissent vérifier les documents sur lesquels elle s’appuie.

Par exemple, une personne demande : « Quelle est notre politique en matière de congé parental ? » Le système trouve les sections pertinentes de la politique RH en vigueur et les transmet au modèle. L’assistant explique ensuite ces sections dans un langage simple.

Le RAG ne modifie généralement pas les connaissances sous-jacentes du modèle. Il modifie les informations disponibles pour une réponse donnée. La mise à jour des documents sources et de l’index de recherche peut donc actualiser ce que l’assistant peut consulter.

Exemples concrets

Assistants pour les connaissances internes

Les employés perdent souvent du temps à chercher dans des manuels, des dossiers partagés et de la documentation interne. Un assistant RAG peut récupérer les passages pertinents et les transformer en réponse directe.

Une réponse utile doit indiquer la source et, lorsqu’elle est disponible, sa date d’entrée en vigueur. Elle doit aussi respecter les autorisations d’accès aux documents : un employé ne doit pas recevoir d’informations confidentielles simplement parce que l’assistant peut les trouver.

Assistance client

Un assistant de support peut récupérer des guides de configuration, des procédures de dépannage et des politiques relatives aux produits avant de répondre.

C’est particulièrement utile lorsque la documentation produit change fréquemment. Toutefois, récupérer une politique de remboursement n’autorise pas l’assistant à effectuer un remboursement. Trouver des informations et agir sont deux capacités distinctes qui nécessitent des contrôles distincts.

Recherche et examen des données probantes

Les chercheurs peuvent utiliser le RAG pour repérer des sections pertinentes dans un ensemble d’articles et demander une synthèse fondée sur les sources.

Le système peut comparer des résultats ou souligner des divergences, mais il peut aussi passer à côté d’un article important ou mal interpréter un résultat. Les conclusions à fort enjeu nécessitent de vérifier les données probantes d’origine.

Pour un exemple connu de réponses appuyées sur la recherche d’informations, Perplexity associe la recherche sur le web aux réponses de l’IA et aux citations de sources. Cela illustre l’idée générale de rechercher des informations avant de présenter une réponse ; les citations doivent malgré tout être vérifiées.

Questions sur les données de l’entreprise

Certaines questions nécessitent des calculs plutôt que des extraits de documents. Pour répondre à « Quel était le montant des ventes le mois dernier ? », mieux vaut interroger la base de données pertinente que rechercher un ancien rapport.

Des outils comme Snowflake Copilot et Seek AI permettent de convertir des demandes en langage naturel en requêtes SQL. Ce sont des approches connexes pour relier l’IA aux données, mais générer du SQL n’équivaut pas automatiquement au RAG fondé sur des documents. Un assistant plus polyvalent peut combiner les deux approches.

Avantages et limites

Le principal avantage est la pertinence. Le RAG peut aider un assistant à utiliser la terminologie, les procédures et les connaissances spécialisées de votre organisation plutôt qu’à produire une réponse générique.

Il peut faciliter les mises à jour. Lorsqu’une politique change, actualiser la source consultable est souvent plus pratique que réentraîner un modèle. Le processus d’indexation doit néanmoins prendre en compte le changement et supprimer les contenus obsolètes.

Il peut améliorer la traçabilité. Afficher les passages sur lesquels repose une réponse facilite la vérification. Une citation n’est utile que si elle étaye réellement l’affirmation associée.

Il existe des limites importantes :

• La récupération d’informations peut échouer. Si la recherche ne trouve pas le bon document, le modèle peut manquer des informations nécessaires pour répondre.
• Les sources peuvent être erronées. Des documents obsolètes ou contradictoires peuvent produire des réponses trompeuses.
• Le modèle peut toujours inventer des détails. Le RAG réduit certaines occasions de produire des réponses non étayées ; il n’élimine pas les hallucinations.
• La sécurité doit être intégrée dès la conception. Les autorisations doivent être appliquées lors de la récupération. Le texte récupéré peut aussi contenir des instructions malveillantes : il doit donc être traité comme un élément de preuve, et non comme une autorité donnant des ordres au système.
• Les étapes supplémentaires ajoutent des contraintes. La recherche, l’indexation et le traitement par le modèle entraînent des coûts et de la latence.

Pour les décisions juridiques, médicales, financières ou ayant d’autres conséquences importantes, utilisez le RAG pour appuyer l’examen par des professionnels qualifiés, et non pour le remplacer.

Comment commencer

1. Choisissez un problème bien délimité. Commencez par un objectif mesurable, comme répondre à des questions à partir d’un seul manuel d’assistance. Évitez de connecter tous les systèmes de l’entreprise en même temps.

2. Nettoyez la source de connaissances. Sélectionnez des documents de référence fiables, supprimez les doublons et identifiez les versions. La qualité des sources compte souvent davantage qu’une configuration d’IA plus élaborée.

3. Choisissez une méthode de récupération. La recherche par mots-clés convient bien aux identifiants et aux expressions exacts. La recherche par similarité est utile lorsque les personnes décrivent la même idée avec des mots différents. Combiner les deux peut être judicieux.

Pinecone est une base de données vectorielle conçue pour la recherche par similarité. Elle peut prendre en charge la couche de récupération, mais une application RAG complète nécessite aussi le traitement des documents, un modèle de langage, des autorisations et une évaluation.

4. Définissez un comportement de réponse sûr. Demandez à l’assistant de citer les passages qui étayent ses réponses, de signaler les contradictions et d’indiquer lorsqu’il manque d’éléments suffisants. Ne supposez pas que les consignes seules garantissent leur respect.

5. Testez avec des questions réalistes. Incluez des questions simples, des formulations ambiguës, des politiques obsolètes et des questions auxquelles les sources ne permettent pas de répondre. Vérifiez la qualité de la récupération séparément de celle des réponses.

6. Menez un projet pilote avant d’élargir le déploiement. Suivez les réponses erronées, les sources manquantes, le temps de réponse et les retours des utilisateurs. Corrigez les problèmes récurrents avant d’ajouter davantage de données ou d’utilisateurs.

FAQ

Le RAG est-il la même chose que l’ajustement fin ?

Non. Le RAG fournit des informations de référence au moment de la réponse. L’ajustement fin modifie un modèle par un entraînement supplémentaire, souvent pour améliorer son comportement, son style ou ses performances sur une tâche. Les deux peuvent être utilisés ensemble, mais répondent à des objectifs différents.

Le RAG nécessite-t-il une base de données vectorielle ?

Non. Le RAG peut utiliser la recherche par mots-clés ou d’autres méthodes de récupération. Les bases de données vectorielles sont utiles pour la recherche par similarité, mais le bon choix dépend de vos contenus, de vos questions et de votre infrastructure existante.

Le RAG garantit-il des réponses exactes ?

Non. L’exactitude dépend des sources, de la qualité de la récupération et de la fidélité avec laquelle le modèle utilise les éléments disponibles. Les références aux sources, les tests réalistes et l’examen humain restent importants, surtout lorsque les erreurs ont de graves conséquences.