Exemple concret
Tu poses une question sur une procédure interne. Le système cherche les passages pertinents, puis les donne au modèle pour répondre.
Pourquoi ça compte
C'est l'une des méthodes les plus pratiques pour réduire les inventions et utiliser des données privées.
Tu le vois dans les chatbots sur documentation, les bases de connaissances internes et les agents qui citent leurs sources.
À ne pas confondre
Embedding : Un embedding transforme un texte en liste de nombres pour comparer son sens avec d'autres textes.
Base vectorielle : Une base vectorielle stocke des embeddings et retrouve les textes les plus proches d'une question.
Erreurs fréquentes
- Croire que RAG garantit une réponse vraie.
- Mal découper les documents.
- Ne pas afficher les sources utilisées.
Mini-checklist
- Je vérifie d'abord si le mot désigne un concept, un outil, un risque ou une métrique.
- Je le relie à un cas concret : Tu poses une question sur une procédure interne. Le système cherche les passages pertinents, puis les donne au modèle pour répondre.
- Je garde en tête le piège principal : Croire que RAG garantit une réponse vraie.
Questions rapides
C'est quoi RAG en IA ?
Le RAG permet à une IA de répondre en s'appuyant sur des documents récupérés au moment de la question.
Où vais-je croiser RAG ?
Tu le vois dans les chatbots sur documentation, les bases de connaissances internes et les agents qui citent leurs sources.
Quel mot lire après RAG ?
Commence par Embedding, Base vectorielle, Chunking.