Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Lexique

RAG : définition de la génération augmentée par récupération

Domaines

Intelligence artificielle · Data

L'essentiel

Le RAG (retrieval-augmented generation, ou génération augmentée par récupération) est une architecture dans laquelle un modèle de langage rédige sa réponse à partir de passages recherchés au préalable dans une base documentaire. Il permet de faire porter les réponses sur un corpus privé et à jour, avec des sources vérifiables, sans réentraîner le modèle.

Sommaire de la page

Définition du RAG

Le RAG, pour retrieval-augmented generation, se traduit par génération augmentée par récupération. C’est une architecture dans laquelle un grand modèle de langage (LLM) ne répond pas de mémoire : avant la rédaction, le système recherche dans une base documentaire les passages utiles à la question et les fournit au modèle, avec la consigne de s’y tenir. La définition du RAG se résume ainsi : chercher d’abord, rédiger ensuite, à partir de sources identifiées.

L’expression vient d’un article de recherche publié en 2020. Elle désigne aujourd’hui un schéma d’architecture plus qu’une technique unique, avec de nombreuses variantes selon la manière de chercher et d’assembler les sources.

À quoi sert le RAG

Un modèle de langage ne connaît que ses données d’entraînement. Il ignore vos documents internes et tout ce qui est postérieur à cet entraînement. Le RAG répond à trois besoins.

  • Faire porter les réponses sur un corpus privé : procédures, contrats, documentation technique, base de connaissances.
  • Tenir les réponses à jour sans réentraîner le modèle : il suffit de mettre à jour l’index documentaire.
  • Rendre les réponses vérifiables : chaque affirmation peut renvoyer au passage qui la fonde.

Les étapes d’un système RAG

Le fonctionnement se déroule en deux temps.

La préparation du corpus, en amont.

  1. Collecte des documents et extraction de leur texte, y compris depuis des fichiers PDF, des tableaux ou des pages web.
  2. Découpage en passages de taille maîtrisée, en respectant autant que possible la structure du document.
  3. Vectorisation : un modèle de plongement (embedding) convertit chaque passage en un vecteur numérique qui représente son sens.
  4. Indexation des vecteurs et de leurs métadonnées (source, date, droits d’accès) dans une base vectorielle ou un moteur de recherche.

Le traitement d’une question, à la demande.

  1. Récupération : la question est vectorisée à son tour, puis le système extrait les passages les plus proches. La recherche hybride combine cette proximité de sens avec une recherche par mots-clés.
  2. Reclassement : un second modèle ordonne les candidats et écarte les moins pertinents.
  3. Augmentation : les passages retenus sont insérés dans la requête adressée au modèle, avec la question et les consignes.
  4. Génération : le modèle rédige la réponse et cite ses sources.

Les limites du RAG

Le RAG réduit les erreurs factuelles, il ne les supprime pas. Ses défaillances ont des causes identifiables.

  • La récupération échoue. Si le bon passage n’est pas remonté, le modèle répond à côté ou comble le vide. La qualité de la recherche détermine celle de la réponse.
  • Le corpus est défaillant. Versions contradictoires, documents périmés, tableaux mal extraits : le système restitue fidèlement un fonds documentaire de mauvaise qualité.
  • Le découpage casse le sens. Une règle et son exception séparées dans deux passages produisent une réponse fausse et pourtant sourcée.
  • Les droits d’accès sont oubliés. Sans filtrage par utilisateur au moment de la recherche, le système peut révéler un document que le demandeur n’a pas le droit de lire.
  • Les questions de synthèse lui échappent. « Combien de contrats contiennent telle clause ? » suppose de parcourir tout le corpus, pas de récupérer quelques passages.

L’évaluation distingue donc deux mesures : la pertinence des passages récupérés, puis la fidélité de la réponse à ces passages.

RAG et ajustement fin : ne pas confondre

L’ajustement fin (fine-tuning) poursuit l’entraînement d’un modèle sur des exemples choisis, ce qui modifie ses paramètres. Le RAG ne touche pas au modèle : il change ce qu’on lui donne à lire.

RAG Ajustement fin
Ce qui change Le contexte fourni au modèle Les paramètres du modèle
Apport principal Des connaissances à jour et sourcées Un style, un format, un comportement
Mise à jour Réindexer les documents Réentraîner le modèle
Traçabilité Sources citées dans la réponse Aucune source restituée

Les deux approches se combinent. Pour apporter des connaissances, le RAG est en général le premier choix. L’ajustement fin répond à un autre besoin : un vocabulaire métier, un format de sortie strict, une tâche répétitive.

Un agent IA peut enfin utiliser la récupération comme un outil parmi d’autres, en décidant lui-même quand chercher et quoi chercher.

Un exemple concret : l’assistant d’un centre de support

Prenons un centre de support technique dont les conseillers consultent plusieurs milliers de fiches de procédure. Un assistant fondé sur le RAG reçoit la question d’un conseiller, retrouve les quelques passages applicables au modèle d’équipement concerné, puis rédige une réponse qui cite chaque fiche utilisée.

Le premier essai déçoit souvent, pour une raison étrangère au modèle : deux versions d’une même procédure coexistent dans le fonds, et l’assistant cite l’ancienne. La correction est documentaire. Il faut retirer les versions obsolètes, dater les fiches et filtrer la recherche sur la version en vigueur.

Pour la mise en œuvre de ces architectures, consultez notre page consacrée à l’IA générative en entreprise.

Insights

À lire sur le sujet

Tous les insights
L'IA dans la banque, un cas d'usage après l'autre

L'IA dans la banque recouvre quatre familles de cas d'usage (relation client, lutte contre la fraude et conformité, octroi de crédit, opérations internes) qui n'exigent ni les mêmes données, ni le même contrôle, ni la même lecture réglementaire. Management Square propose ici des critères pour les choisir et un ordre pour les aborder, des usages qu'une personne relit vers ceux qui pèsent sur la situation d'un client.

Lire l'analyse
Composer le budget d'un projet IA, des postes de coût au choix entre construire et acheter

Le budget d'un projet IA peut se décomposer en six postes : cadrage, données, construction, évaluation, exploitation et conformité, dont une part se dépense une fois et une autre revient tant que le service existe. Management Square décrit ici chaque poste par sa nature et par ce qui le fait varier, puis ce que change le choix entre construire, adapter un modèle existant et acheter un service.

Lire l'analyse
Fine-tuning LLM : faut-il ajuster le modèle, ou s'en tenir au prompt et au RAG ?

Le fine-tuning d'un LLM poursuit l'entraînement d'un modèle de langage existant sur des exemples choisis pour en modifier durablement le comportement : un format, un registre, une tâche étroite. Il n'apporte ni connaissances à jour ni sources vérifiables : Management Square donne ici les critères qui justifient un ajustement et les cas où la consigne ou le RAG suffisent.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Que signifie RAG en intelligence artificielle ?

RAG signifie retrieval-augmented generation, traduit par génération augmentée par récupération. Le système recherche d'abord les passages utiles dans une base documentaire, puis les transmet à un modèle de langage qui rédige la réponse en s'appuyant sur eux et en citant ses sources.

Quelle est la différence entre le RAG et l'ajustement fin d'un modèle ?

Le RAG ne modifie pas le modèle : il lui fournit des documents à lire au moment de la question. L'ajustement fin, ou fine-tuning, poursuit l'entraînement du modèle et change ses paramètres. Le premier apporte des connaissances à jour et sourcées, le second adapte un style, un format ou un comportement.

Le RAG supprime-t-il les hallucinations ?

Non. Le RAG réduit les erreurs factuelles en donnant au modèle des sources à suivre, mais il ne les élimine pas. Si la recherche remonte de mauvais passages, ou si le corpus contient des documents périmés ou contradictoires, la réponse sera fausse tout en paraissant sourcée.

Faut-il une base vectorielle pour faire du RAG ?

Pas nécessairement. La recherche par proximité de sens repose sur des vecteurs, mais beaucoup de moteurs de recherche et de bases de données existants proposent cette fonction. La recherche hybride, qui combine vecteurs et mots-clés, donne souvent de meilleurs résultats que les vecteurs seuls.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.