RAG pratique pour la production (French Edition)

Chapitre 1. Introduction à la génération augmentée par la recherche (RAG)

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Imagine une ingénieure en IA qui développe un simple chatbot d'assistance interne pour son entreprise. Elle en réalise un prototype en un après-midi à l'aide de GPT-5.1, un grand modèle linguistique (LLM) prêt à l'emploi. Les premiers résultats semblent impressionnants : le modèle converse avec aisance, résume de longs documents et rédige même du code. Mais dès qu’on lui pose une question liée aux systèmes de l’entreprise — « Quelle sera la politique de remboursement après janvier prochain ? » ou « Quels comptes clients doivent faire l’objet d’un suivi cette semaine ? » —, les réponses tombent à plat. Le modèle renvoie avec assurance un texte qui semble plausible, mais qui n’a aucun lien avec les données réelles de l’entreprise. Parfois, il invente des politiques obsolètes. Parfois, il propose des absurdités totales. Le problème central n’est pas la fluidité du modèle ; c’est son aveuglement.

Cette « » est la limite fondamentale des LLMs, même les plus avancés.¹ Ils sont entraînés sur d’énormes corpus — livres, articles, dépôts de code et contenu web public — ce qui leur donne une compréhension large et généralisée du langage et leur permet d’effectuer des tâches pour lesquelles ils n’ont jamais été explicitement formés. Mais quelle que soit la taille de l’ensemble de données ...