Qu’est-ce que le RAG ?
RAG signifie Retrieval-Augmented Generation, ou génération augmentée par la recherche. Le système recherche d’abord des informations dans un corpus, puis les fournit au modèle comme contexte pour construire une réponse.
Dans une plateforme documentaire d’entreprise, ce corpus peut être constitué de procédures, rapports, notices et autres documents internes. Le résultat dépend de ce qui est retrouvé, de la qualité du contexte et de la génération.
Les étapes d’une réponse documentaire
- Préparer les documents. Extraire le texte et constituer une base exploitable.
- Rechercher. Retrouver les passages pertinents pour la question.
- Construire le contexte. Sélectionner les éléments utiles au modèle.
- Générer. Produire une réponse à partir du contexte disponible.
- Présenter les sources. Permettre à l’utilisateur de vérifier les références documentaires.
Le RAG réentraîne-t-il le modèle ?
Le RAG ne nécessite pas de réentraîner systématiquement le modèle sur les documents. Il apporte des éléments documentaires au moment de répondre. Le réentraînement d’un modèle est une opération différente.
Cette distinction est importante pour décrire correctement l’intégration des fichiers et comprendre la manière dont une mise à jour documentaire est prise en compte.
Pourquoi une réponse peut-elle être incorrecte ?
Un document peut être incomplet, obsolète ou difficile à extraire. La recherche peut retrouver un passage insuffisant, et le modèle peut produire une conclusion qui ne correspond pas aux sources. La présence de références ne constitue donc pas une garantie d’exactitude.
- Vérifier les versions et les documents faisant autorité.
- Tester des questions dont la réponse est connue.
- Examiner les sources, leur pertinence et les éléments réellement cités.
- Inclure des questions sans réponse dans le corpus.
- Contrôler que les restrictions d’accès sont respectées.
Pourquoi déployer le RAG localement ?
Un déploiement local permet de placer la plateforme et les traitements dans le périmètre de l’organisation. Il reste nécessaire d’examiner les connecteurs, les accès et l’exploitation pour connaître les limites exactes de ce périmètre.
May-IA associe le serveur local, la recherche documentaire et une application cliente sur Windows, Linux et Android. Les captures de l’application montrent la conversation et les références affichées sur PC.
Comment évaluer un projet ?
Préparez un jeu de questions représentatif, une réponse de référence et les documents attendus. Évaluez séparément la qualité des informations, la pertinence des sources, le respect des accès et le temps nécessaire à la tâche.
Retenez les erreurs et les limites, pas seulement les meilleurs exemples. Une méthode d’évaluation claire aide à décider si le périmètre peut être étendu.
Pour approfondir le mécanisme général : Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020). Les fonctions précises d’un déploiement May-IA sont à définir avec l’équipe.