Génération augmentée par récupération (RAG)
La génération augmentée par récupération (RAG) est une façon de faire répondre une IA à partir d'un ensemble choisi de documents. Elle cherche d'abord dans ces documents les passages pertinents, puis rédige la réponse en n'utilisant que ce qu'elle a trouvé. Cela réduit les faits inventés.
Les modèles d'IA normaux répondent à partir de ce qu'ils ont capté pendant l'entraînement. Ça semble correct jusqu'à ce qu'ils affirment quelque chose de faux avec assurance. Le RAG corrige ça en donnant d'abord au modèle un ensemble précis de sources à lire. Ainsi, au lieu de deviner de mémoire, il tire les bons passages et construit la réponse dessus.
Deux étapes se produisent à chaque fois que tu demandes quelque chose. D'abord, le système trouve les parties de tes documents qui correspondent à ta question. Ensuite, il donne ces parties au modèle et lui dit : réponds à partir de ça. Le modèle devient plus un assembleur de faits que la source des faits, et c'est pourquoi les réponses restent plus proches de la vérité.
Un point à surveiller : le RAG ne vaut que ce qu'il récupère. Si le bon passage n'est jamais trouvé, ou si tes documents ne couvrent pas la question, la réponse peut quand même être maigre ou fausse. Il réduit beaucoup les faits inventés. Il ne les efface pas.
Maya révise pour un examen de biochimie. Elle demande à son outil d'IA d'expliquer le cycle de l'acide citrique. Avec le RAG, il tire les paragraphes exacts de ses diapos de cours et l'explique dans ces termes-là, au lieu d'aller chercher des détails au hasard sur l'internet plus large que son professeur n'a jamais enseignés.