RAG : Retrieval-Augmented Generation
IA
Un LLM répond en s’appuyant sur des passages récupérés dans un corpus : réponses ancrées et traçables.
Pipeline : Indexation (découpage + embeddings) → recherche des passages pertinents → génération conditionnée par ces passages.
Intérêt : Réponses ancrées dans un corpus, citables et à jour, sans réentraîner le modèle.
Pièges : Qualité du découpage, passages hors sujet, hallucination si le contexte est faible. La relecture humaine reste utile.
Ce qui arrive si on s'en passe
Sans récupération de passages dans un corpus, un modèle de langage répond de mémoire : ses réponses ne citent aucune source, s'arrêtent à la date de son entraînement et inventent avec aplomb ce qu'il ignore. Mal réglé, un RAG ne fait guère mieux : un découpage maladroit ou des passages hors sujet donnent un contexte faible, et le modèle comble les trous par hallucination, cette fois avec une apparence de référence. Un passage déposé dans le corpus par un tiers peut aussi contenir des instructions que le modèle suivra. Sans relecture humaine, l'erreur circule munie de sa note de bas de page, ce qui la rend presque respectable.
Explication de la marmotte
Imagine que tu dois répondre à une question en utilisant un livre précis. Au lieu d’inventer ta réponse, tu cherches d’abord dans ce livre les passages qui parlent du sujet, puis tu utilises ces passages pour construire ta réponse. C’est un peu comme si tu avais un assistant qui va chercher les bonnes pages dans un grand livre pour t’aider à répondre juste et à montrer d’où vient l’information. Cela permet d’avoir des réponses fiables et faciles à vérifier.
Où ce terme est utilisé
- Embeddings : vecteurs, recherche sémantique et RAG (11 occurrences)
- Fine-tuning local ou RAG pour données internes (9 occurrences)
- Quand la recherche sémantique contourne les droits (8 occurrences)
- Sécuriser un corpus RAG contre l’injection indirecte (8 occurrences)
- Contrôler les accès d’un assistant IA interne (6 occurrences)
- Fine-tuning en IA, définition, usages et limites (6 occurrences)
- L'empoisonnement d'un RAG en une page (5 occurrences)
- Gardien IA pour LLM, fonctionnement, exemples et choix de produit (4 occurrences)
- AI Act : gouvernance des données d'entraînement (article 10) (2 occurrences)
- Comment red teamer un LLM local avant production (2 occurrences)