RAG : une IA qui répond à partir de vos documents
Procédures, contrats, fiches produits : le RAG permet à une IA de répondre avec vos propres documents, en citant ses sources. Explication sans jargon.
L’essentiel en 3 points
- Le RAG fait répondre une IA à partir de vos documents : elle cherche les passages utiles, puis rédige sa réponse en citant ses sources.
- Vos documents ne servent pas à entraîner le modèle : ils sont consultés au moment de répondre, et il suffit de les réindexer quand ils changent.
- La qualité des réponses dépend surtout de vos documents, des droits d'accès définis au départ et du traitement des PDF scannés.
Les assistants comme ChatGPT, Claude ou Le Chat de Mistral savent beaucoup de choses, mais pas l'essentiel pour vous : vos procédures, vos tarifs, l'historique de vos clients. Le RAG est la technique qui leur permet de répondre à partir de vos propres documents.
Le problème
Un modèle de langage a appris à partir d'une immense quantité de textes publics. Il ne connaît pas vos documents internes, et s'il n'a pas l'information, il risque d'inventer une réponse plausible. C'est ce qu'on appelle une hallucination.
Le principe du RAG
RAG signifie Retrieval-Augmented Generation : génération augmentée par la recherche. Avant de répondre, l'IA va chercher dans vos documents les passages utiles, puis rédige sa réponse à partir de ces passages.
Concrètement, cela se passe en trois temps :
- Préparer les documents. Vos fichiers (PDF, pages web, documents internes) sont découpés en passages, puis indexés pour qu'on puisse les retrouver par le sens, et pas seulement par mots-clés.
- Retrouver les bons passages. À chaque question, le système sélectionne les quelques extraits les plus pertinents.
- Rédiger la réponse. Le modèle reçoit la question et ces extraits, et répond en citant ses sources.
Pourquoi c'est utile
- Des réponses vérifiables : chaque réponse renvoie au document d'origine, que l'on peut contrôler en un clic.
- Une information à jour : quand un document change, il suffit de le réindexer, sans réentraîner de modèle.
- Des données maîtrisées : vos documents ne servent pas à entraîner le modèle, ils sont simplement consultés au moment de répondre.
Quelques cas d'usage
- un assistant interne qui répond aux questions des équipes à partir des procédures et de la documentation ;
- un support client qui prépare des réponses à partir des fiches produits et des conditions générales ;
- une recherche dans un fonds de contrats, d'appels d'offres ou de rapports techniques ;
- l'aide à la rédaction d'un document à partir de vos modèles existants.
Les points d'attention
Le RAG n'a rien de magique : la qualité des réponses dépend surtout de trois choses.
- La qualité des documents. Des fichiers contradictoires ou obsolètes donnent des réponses contradictoires ou obsolètes. Un peu de tri au départ fait gagner beaucoup ensuite.
- Les droits d'accès. Un collaborateur ne doit retrouver que les documents qu'il a le droit de consulter : ces règles se définissent dès la conception.
- Les documents scannés. Un PDF scanné doit d'abord passer par l'OCR (la reconnaissance de caractères) pour que son texte soit exploitable.
Par où commencer
Choisissez un périmètre précis : un type de documents, un public, une dizaine de questions qui reviennent souvent. C'est assez pour construire un premier prototype, le tester avec les personnes qui l'utiliseront, et mesurer le temps gagné avant d'élargir.
Questions fréquentes
Le RAG, c'est quoi en une phrase ?
Une technique qui permet à une IA de chercher les passages utiles dans vos documents avant de répondre, puis de rédiger sa réponse à partir de ces passages, en citant ses sources.
Mes documents servent-ils à entraîner le modèle ?
Non. Avec le RAG, vos documents sont simplement consultés au moment de répondre : ils ne servent pas à entraîner le modèle.
Que se passe-t-il quand un document change ?
Il suffit de le réindexer : les réponses suivantes tiennent compte de la nouvelle version, sans réentraîner de modèle.
Le RAG fonctionne-t-il avec des PDF scannés ?
Oui, à condition de les faire d'abord passer par l'OCR (la reconnaissance de caractères), pour que leur texte soit exploitable.
Pour aller plus loin
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks : l'article de recherche de 2020 qui a introduit le RAG (en anglais).
- Contextual retrieval, Anthropic : une méthode pour mieux retrouver les bons passages (en anglais).
- RAG Quickstart, Mistral AI : construire un premier RAG avec les modèles de Mistral (en anglais).