RAG simplement expliqué : comment l’IA répond avec vos propres documents

RAG (Retrieval Augmented Generation, en allemand environ « génération de texte augmentée par récupération ») est une méthode dans laquelle une IA recherche, avant de répondre, des passages pertinents dans vos propres documents et fonde sa réponse précisément sur ces passages. Elle peut ainsi répondre à des questions sur des manuels, des contrats, des directives ou des documents de projet et citer la source, sans que le modèle de langage doive être entraîné avec vos données.

Pourquoi un modèle de langage seul ne suffit pas

Un modèle de langage comme ChatGPT ne connaît que ce qui figurait dans ses données d’entraînement. Il ne connaît pas vos documents internes. Si on lui demande malgré tout votre politique de frais de déplacement, il invente dans le pire des cas une réponse plausible, une soi-disant Hallucination. RAG résout ce problème en fournissant au modèle les passages de texte pertinents à chaque question.

Voici comment fonctionne RAG en trois étapes

1. Préparation (une fois, puis en continu): Vos documents sont découpés en sections et indexés de manière à permettre une recherche par sens, et pas seulement par mots exacts. Il est également consigné qui peut voir quel document.
2. Recherche (à chaque question): Lorsqu’une personne pose une question, le système recherche les passages les plus pertinents sur le fond, uniquement dans les documents auxquels cette personne a le droit d’accéder.
3. Réponses: Le modèle de langage reçoit la question avec les passages trouvés et formule à partir de ceux-ci une réponse, avec référence aux documents sources.

Le point décisif : le modèle ne répond pas à partir de ses connaissances générales, mais à partir de vos documents. S’il ne trouve rien de pertinent, il doit le dire au lieu de deviner.

RAG, fine-tuning ou recherche simple ?

Pour les questions portant sur les connaissances de l’entreprise, le RAG est presque toujours le meilleur choix : les nouveaux documents sont immédiatement retrouvables, et chaque réponse peut être vérifiée à la source.

À quoi les PME utilisent le RAG

• Recherche de connaissances interne: Les collaborateurs demandent des informations sur les processus, les directives ou les projets antérieurs au lieu d’interrompre leurs collègues. Voir Trouver des documents internes en quelques secondes.
• Service client: Un chatbot IArépond aux questions des clients sur la base de vos informations produit et de vos FAQ.
• Domaines spécialisés avec de nombreux documents: cabinets d’avocats, soins, administration ou technique, voir Recherche documentaire par IA pour les cabinets fiscaux.
• Intégration: Les nouveaux collaborateurs trouvent eux-mêmes les réponses, avec renvoi au document original.

Ce qui compte dans le RAG

• Qualité des documents: Des documents obsolètes ou contradictoires conduisent à des réponses erronées. Un nettoyage préalable vaut la peine.
• Droits d’accès: La recherche doit reprendre les autorisations de vos systèmes, afin que personne ne voie via l’IA des documents qu’il ne pourrait pas ouvrir autrement.
• Source: Chaque réponse devrait mentionner les documents utilisés afin qu’elle puisse être vérifiée.
• Protection des données et hébergement: Où fonctionnent la recherche et le modèle de langage ? Pour les données sensibles, des modèles hébergés en Allemagne ou en interne entrent en ligne de compte, voir Héberger des modèles d’IA conformément au RGPD.
• Honnêteté face aux lacunes: Un bon système dit « je n’ai rien trouvé à ce sujet » plutôt que d’inventer une réponse.

Le conseil et l’introduction accompagnée sont éligibles au financement : via INQA-Coaching la Confédération prend en charge 80 % des coûts de conseil, jusqu’à 1.200 € par jour pendant 12 jours maximum, soit jusqu’à 11.520 € de subvention. En Mecklembourg-Poméranie-Occidentale et dans les autres nouveaux Länder, jusqu’au 31.12.2026, la BAFA-Beratungsförderung avec 80 % entre également en ligne de compte (dans les anciens Länder, 50 %). Le conseil est subventionné, pas le logiciel. Le programme adapté est indiqué par le Förder-Check.

Questions fréquemment posées

Que signifie RAG ?

RAG signifie Retrieval Augmented Generation. Avant de répondre, une IA recherche dans un ensemble de documents défini les passages pertinents, puis formule sa réponse sur cette base, généralement avec une indication des sources.

Le modèle d’IA est-il entraîné avec mes données dans le cadre de RAG ?

Non. Avec RAG, vos documents sont seulement consultés et les passages pertinents sont transmis pour la question concernée. Le modèle lui-même n’est pas modifié. Il faut clarifier contractuellement si un fournisseur utilise les saisies pour son propre entraînement.

RAG peut-il donner de mauvaises réponses ?

Oui, si les documents sont erronés ou obsolètes, ou si la recherche trouve des passages inadaptés. C’est pourquoi les indications de sources sont importantes, afin que les réponses puissent être vérifiées. Par rapport à un modèle de langage sans RAG, le risque de réponses inventées diminue nettement.

Quelle est la différence entre RAG et Fine-Tuning ?

Lors du Fine-Tuning, un modèle est réentraîné avec ses propres données ; avec le RAG, des documents sont recherchés à chaque question. Le RAG est plus à jour, cite ses sources et convient généralement mieux aux connaissances d’entreprise ; le Fine-Tuning est plutôt adapté au style et au langage spécialisé.

Étape suivante

Notre recherche documentaire IA utilise le RAG, reprend vos droits d’accès et fonctionne sur des serveurs en Allemagne. Le déroulement de la mise en place est décrit dans l’article Mettre en place la recherche documentaire par IA. Définition dans le glossaire sous RAG.