La génération augmentée par récupération (RAG) est une méthode qui fait répondre une IA à une question en récupérant d’abord les passages les plus pertinents d’un corpus de documents choisi, puis en générant une réponse fondée sur ces passages, avec les sources jointes. Au lieu de s’appuyer seulement sur ce qu’un modèle a mémorisé à l’entraînement, elle lit votre matériel au moment de la question. Cet ancrage est ce qui l’empêche d’inventer des réponses sur votre entreprise. L’approche a été introduite par Lewis et al. (2020), qui ont montré que combiner un récupérateur neuronal avec un modèle génératif améliorait la précision sur les tâches à forte intensité de connaissances et permettait au système de pointer vers les preuves derrière ses réponses.
Pourquoi les chatbots ordinaires hallucinent
Un modèle de langage seul est une machine à probabilités : il prédit des suites de texte fluides. Demandez-lui votre tarification interne, un ancien contrat ou une politique de niche, et il produira une réponse assurée, qu’il ait ou non le moindre fondement. Cette tendance à générer du contenu fluide mais non étayé est bien documentée ; une étude exhaustive de Ji et al. (2023) recense l’hallucination à travers les systèmes de génération en langage naturel et identifie une cause récurrente : des modèles qui génèrent au-delà de ce que leurs entrées soutiennent réellement. Un chatbot grand public n’a pas accès à vos documents et aucune obligation de citer quoi que ce soit ; le risque est donc structurel, pas occasionnel.
Ce que le RAG change
Le RAG ajoute deux étapes autour du modèle.
Récupérer. Vos documents sont convertis en un index consultable, généralement des embeddings vectoriels qui captent le sens plutôt que les seuls mots-clés. Quand une question arrive, le système extrait les passages les plus pertinents.
Ancrer et citer. Ces passages sont fournis au modèle comme contexte, et la réponse est construite à partir d’eux, avec des liens vers la source pour qu’une personne puisse vérifier chaque affirmation. Le résultat est une réponse à laquelle votre équipe peut se fier parce qu’elle est vérifiable, pas seulement à croire. Lewis et al. (2020) ont démontré que cette étape de récupération améliorait à la fois la précision factuelle et rendait les sorties plus spécifiques et attribuables qu’un modèle comparable générant de mémoire seule.
Le RAG ne vaut que les données en dessous
C’est le bémol qui décide du succès en pratique. La récupération sur un fonds documentaire désordonné, dupliqué et contradictoire renvoie des passages désordonnés et contradictoires, et la réponse générée en hérite. Un bon RAG, c’est peut-être 20% de modèle et 80% de qualité, de structure et de modèle d’accès du corpus dont il récupère. C’est pourquoi la classification et le nettoyage viennent d’abord, un point développé dans Pourquoi la plupart des pilotes IA échouent. La qualité de la récupération, la stratégie de découpage et la fraîcheur de l’index comptent davantage pour la fiabilité réelle que le choix du modèle de pointe.
Où le RAG s’insère dans une entreprise
Pour la plupart des organisations, le RAG est la différence entre une démo d’IA et un système d’IA que les gens utilisent réellement. Une couche de récupération bien bâtie transforme un patrimoine documentaire éparpillé en un copilote qui répond en clair, cite ses sources et reste à jour quand les documents changent. Elle limite aussi le risque : parce que les réponses sont ancrées dans du matériel approuvé et traçables, elles sont bien plus faciles à relire, auditer et gouverner que la génération libre.
Bâtir cette couche de récupération, sur des fondations réellement prêtes, fait partie de notre service Knowledge Systems.
Références
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. https://arxiv.org/abs/2005.11401