Qu'est-ce que la Retrieval-Augmented Generation (RAG) ?

La Retrieval-Augmented Generation, abrégée RAG, est une architecture dans laquelle un modèle de langage récupère des documents pertinents depuis une source de connaissances au moment de la requête et les utilise comme contexte pour sa réponse. Au lieu de s'appuyer uniquement sur ce que le modèle a appris durant l'entraînement, le système ancre ses réponses dans des données fraîches et vérifiables.

Définition

Un pipeline RAG comporte trois étapes. D'abord, la requête est convertie en embedding et confrontée à un vector store de documents indexés. Ensuite, les meilleures correspondances sont transmises au modèle de langage avec la requête d'origine. Enfin, le modèle génère une réponse qui cite ou paraphrase le contenu récupéré. L'étape de récupération garantit que les réponses reflètent les données actuelles et les faits propres à la marque.

Pourquoi c'est important

La RAG répond à deux limites de l'usage d'un LLM seul : des données d'entraînement obsolètes et l'hallucination. En ancrant les réponses dans des sources faisant autorité comme le catalogue produit, la base de connaissances ou les documents de politique, elle produit des réponses auditables et plus faciles à tenir à jour. C'est le schéma dominant pour la recherche assistée par IA, les assistants de support et les conseillers d'achat dans le commerce.

Notes d'implémentation

Un système RAG fonctionnel a besoin de documents sources bien découpés, d'une stratégie d'embedding adaptée au domaine et d'un vector store dimensionné pour le catalogue. La qualité dépend autant de l'exactitude de la récupération que du modèle de langage lui-même. Les vitrines composable exposent souvent les données produit, contenu et politique via des API qui alimentent à la fois le site destiné aux humains et l'index RAG, afin que les deux restent synchronisés.

Ressources associées

Explorez Agentic Frontend Management Platform · Composable Digital Experience Platform.