corpus/rag.txt

[TITRE]
Retrieval Augmented Generation

[DEFINITION]
Le RAG, ou Retrieval Augmented Generation, est une méthode qui combine recherche documentaire et génération de texte par un modèle de langage.

[OBJECTIF]
L’objectif du RAG est d’améliorer la fiabilité des réponses d’un chatbot en lui fournissant des documents pertinents au moment de répondre.

[FONCTIONNEMENT]
Un système RAG suit généralement trois étapes :
- indexer les documents ;
- rechercher les passages les plus pertinents ;
- envoyer le contexte trouvé au modèle génératif.

[RECHERCHE]
La recherche peut être réalisée avec TF-IDF, similarité cosinus ou embeddings sémantiques. Le système compare la question de l’utilisateur avec les documents du corpus.

[GENERATION]
Après la recherche, le modèle reçoit un prompt contenant le contexte et la question. Il génère ensuite une réponse basée sur les informations récupérées.

[APPLICATIONS]
Le RAG est utilisé pour :
- assistants de cours ;
- support client ;
- recherche documentaire ;
- chatbots d’entreprise ;
- assistants juridiques ;
- assistants médicaux ;
- documentation technique.

[AVANTAGES]
Les avantages sont :
- réduction des hallucinations ;
- réponses plus précises ;
- possibilité de citer les sources ;
- mise à jour facile du corpus ;
- meilleure transparence.

[RISQUES]
Les risques sont :
- mauvais documents récupérés ;
- contexte incomplet ;
- corpus de mauvaise qualité ;
- réponse générée hors contexte ;
- dépendance à la qualité du retrieval.

[CORPUS]
La qualité du corpus est centrale. Un bon corpus doit être clair, structuré, précis et adapté aux questions attendues.

[CONCLUSION]
Le RAG rend les chatbots plus fiables, mais sa qualité dépend fortement du corpus, du découpage des documents et de la méthode de recherche.