RAG (génération augmentée par récupération)
Le RAG (Retrieval-Augmented Generation) est une technique qui permet à un modèle de langage de consulter des documents externes avant de répondre, pour fonder sa réponse sur des sources précises.
Définition
La génération augmentée par récupération combine deux étapes : une recherche d'informations pertinentes dans une base de connaissances (documents internes, FAQ, catalogue, contrats), puis la génération d'une réponse par un grand modèle de langage à partir de ces extraits ajoutés à sa requête. Le modèle n'est pas réentraîné : il lit au moment de répondre les passages retrouvés. Techniquement, les documents sont souvent découpés en morceaux, transformés en embeddings et stockés dans une base de données vectorielle ; la question de l'utilisateur est transformée de la même façon pour retrouver les passages les plus proches. Le RAG permet d'exploiter des données à jour ou propres à l'entreprise, de citer les sources et de réduire le risque d'hallucination, sans pour autant l'annuler. La qualité du résultat dépend beaucoup de la qualité et de l'organisation des documents, de la manière de les découper et des droits d'accès appliqués. C'est aujourd'hui l'approche la plus courante pour construire un assistant qui répond à partir de la documentation d'une entreprise.
Catégorie
Applications & Domaines
Synonymes
RAG, Retrieval-Augmented Generation, génération augmentée, génération augmentée par la recherche
Avantages
- Exploite des données récentes ou internes sans réentraîner le modèle
- Permet de citer les sources et de vérifier la réponse
- Réduit le risque d'hallucination par rapport à un modèle seul
Limites
- Dépend de la qualité, de la mise à jour et de l'organisation des documents
- Une recherche imprécise peut fournir au modèle les mauvais passages
- Nécessite de gérer les droits d'accès et la confidentialité des documents indexés
Exemples concrets
Découvrez comment ce concept s'applique dans la réalité
Un assistant interne qui répond aux questions RH à partir des accords et procédures de l'entreprise
Un chatbot de support qui s'appuie sur la base de connaissances et cite l'article utilisé
Un outil de recherche dans des contrats ou rapports techniques en langage naturel
Applications pratiques
Secteurs et domaines où ce concept est utilisé
Support client fondé sur la documentation produit
Assistants internes RH, juridiques ou techniques
Recherche documentaire en langage naturel
Aide à la rédaction d'offres à partir d'anciens dossiers
Questions fréquentes
Réponses aux questions les plus courantes sur ce concept
Que veut dire RAG ?
Retrieval-Augmented Generation, soit génération augmentée par récupération : le modèle consulte des documents avant de répondre.
Quelle différence entre RAG et fine-tuning ?
Le RAG apporte des informations au moment de la requête sans modifier le modèle, tandis que le fine-tuning réentraîne le modèle pour adapter son comportement ou son style.
Le RAG élimine-t-il les hallucinations ?
Non. Il les réduit en ancrant la réponse dans des sources, mais des erreurs d'interprétation restent possibles.
De quoi a-t-on besoin pour mettre en place un RAG ?
D'un corpus de documents propres et à jour, d'un moteur de recherche (souvent vectoriel), d'un modèle de langage et d'un cadre de sécurité et d'accès.
Les documents confidentiels sont-ils exposés ?
Cela dépend de l'architecture : hébergement, contrat avec le fournisseur du modèle et gestion des droits. Un contrôle d'accès par utilisateur est recommandé.
Le RAG convient-il à une petite entreprise ?
Oui, dès lors qu'elle possède une documentation exploitable (FAQ, procédures, fiches produits) et un cas d'usage clair.
Source et références
Source : Google Cloud – What is Retrieval-Augmented Generation (RAG)?
Voir la sourceTermes associés
Des définitions pour approfondir ce concept
Envie d'approfondir vos connaissances en IA ?
Découvrez tous nos termes et concepts dans le lexique complet