book

RAG pratique pour la production (French Edition)

Name: RAG pratique pour la production (French Edition)
ISBN: 0642572397623

by Ofer Mendelevitch, Forrest Sheng Bao

May 2026

Intermediate

358 pages

11h 56m

French

O'Reilly Media, Inc.

Read now

Unlock full access

Avant-propos de Sharon Zhou
Avant-propos de Jim Dowling
Préface
De quoi parle ce livreÀ qui s'adresse ce livreÀ qui ce livre ne s'adresse pasUtilisation des exemples de codePrérequisComment naviguer dans ce livreConventions utilisées dans ce livreO’Reilly Online LearningComment nous contacterRemerciements
1. Introduction à la génération augmentée par la recherche (RAG)
Comment fonctionne RAG ?Le schéma d'une pile RAGLe flux d'ingestionLe flux de requêtesExemple : RAG avec LangChainRAG par rapport à d'autres approchesRAG contre « Chat with PDF »RAG contre le réglage finPrincipaux avantages du RAGRAG est évolutif et efficaceRAG aide à réduire les hallucinationsRAG permet l'explicabilitéAjout et suppression quasi instantanés de connaissancesContrôles d'accès et sécuritéCas d'utilisation du RAGAssistants virtuels et chatbots IAGestion des connaissances d'entreprise et recherche interneCréation automatisée de contenu et synthèse de documentsCréation de publicités personnalisées attrayantes et efficacesSystèmes de questions-réponsesApplications médicales et de santéRecherche juridique et en matière de conformitéRAG avancéRAG agentiqueRAG multimodalRAG avec graphes de connaissancesConclusion
2. La pile RAG de base
Flux de la pile RAGLe flux d'ingestionLe flux de requêtesAnalyse de documentsExtraction de texte à partir de divers formats de fichiers Analyse de documents avec des modèles vision-langageExemple de code : analyse de fichiersSegmentation du texteStratégies de segmentationExemple de code : segmentation en PythonModèles d'intégrationQu'est-ce qu'un encodage ?Critères de sélection pour les modèles d'encodageConseils pratiques et considérationsExemple de code : générer des encodages avec Sentence TransformersBases de données vectorielles et recherche vectorielleComprendre la recherche de similarité basée sur les vecteursAlgorithmes approximatifs du plus proche voisinBases de données vectoriellesParamètres à prendre en compte lors de l'utilisation de la recherche vectorielleExemple de code : Stocker et récupérer des vecteurs avec pgvectorLLMs génératifsLLMsIngénierie des invites RAGÉvaluation des LLMs et des modèles de promptExemple de code : Utilisation d'Anthropic Claude pour générer des réponses dans RAGConclusion
3. Faire évoluer ta pile RAG
RAG à grande échelleVolume et complexité des documentsActualité de l'indexGestion et optimisation des coûtsIngestion avancée de donnéesGestion d'un grand volume de documentsGérer la qualité inégale des donnéesGestion des documents volumineuxExemple : fractionnement d'un fichier PDF volumineuxGestion des mises à jour et de l'actualisation des documentsRécupération avancéeLe pipeline de recherche en deux étapesRecherche hybrideRéclassementMise en place de garde-fousMesures de sécurité pour l'IAPrévention des attaques par injection de promptsContrôler les hallucinations dans le RAGDéfinir les hallucinations dans le RAGHallucinations LLM contre hallucinations RAGDétection des hallucinationsCorrection des hallucinationsCréer une excellente expérience utilisateur RAGConsidérations relatives à l'expérience utilisateur RAGInterfaces utilisateur multimodalesOutils et implémentations de référenceConclusion
4. Déploiement de la RAG en production
Les défis liés à la mise en production du RAGQualité des réponses et réduction des hallucinationsLatence élevéeSécurité et confidentialité des donnéesChaos des fournisseurs et problèmes d'intégrationÉquipe et expertiseCoût total de possessionÉvaluation RAGUne architecture de production de référenceUne transition réussie de la validation de principe à la mise en productionRésume ce que tu as appris lors de la validation de principeDéfinis les objectifs et les exigencesAssurer le succès continu du RAGConclusion
5. La plateforme RAG
RAG « fait maison » ou plateforme RAGFonctionnalités principales de RAGSources de donnéesProlifération du RAG et gouvernance centraliséeCoût et maintenanceOptions de déploiementExemple de plateforme RAG : VectaraPour commencerImportation de données dans VectaraExécution de requêtesCorrection des hallucinationsAutres points de terminaison de l'API d'administration RAGConclusion
6. Évaluation de ton application RAG
Comment le RAG peut-il échouer ?Échecs de récupérationÉchecs de générationÉchecs dus à une ingestion de données insuffisanteRésumé des échecs RAGUtilisation des LLMs pour l'évaluation : le LLM en tant que jugeQu'est-ce que le LLM-as-a-Judge ?Comment fonctionne le LLM-as-a-JudgeIndicateurs d'évaluation RAGIndicateurs de rechercheIndicateurs de générationBiais et sécuritéOffres d'évaluation RAGÉvaluation RAG ouverteÉvaluation de la génération augmentée par la rechercheDeepEvalAmazon BedrockRetour d'expérienceIntégration de l'évaluation RAG en productionUtilisation de LLM-as-a-Judge en productionÉvaluation RAG hors ligneÉvaluation RAG en ligneIndicateurs système : latence et disponibilitéLatence et débitFiabilité et disponibilitéCoût et efficacité des ressourcesConclusion
7. Du RAG aux agents IA
Qu'est-ce qu'un agent IA ?La pile AgenticSystèmes à agent unique contre systèmes multi-agentsCas d'utilisation des agentsLes agents dans le service clientLes agents dans les services financiersL'IA agentique dans le secteur de la santéAgents de codage IALa boucle AgenticAppel d'outilsProtocole de contexte de modèleArchitecture du protocole de contexte de modèleLe MCP dans l'IA agentique d'entrepriseCommunication entre agentsPratique avec les frameworks d'IA agentiqueChatbots IA utilisant LangChainAgent de génération de documents avec LlamaIndexCréer un agent avec VectaraCréer un système multi-agents avec CrewAIMémoire agentiqueMémoire à court terme contre mémoire à long termeMise en œuvre de la mémoire avec Agentic RAGGarde-fous d'entreprise : confidentialité et intégritéÉvaluation et observabilité avec les agents IAObservabilité agentiqueSuivi d'un agentIndicateurs d'observabilité agentiqueOutils pour l'observabilité agentiqueConclusion

8. RAG multimodal
Documents avec tableaux intégrésPourquoi les tableaux intégrés sont-ils importants ?Extraire des tableaux à partir de documentsPourquoi le découpage naïf ne fonctionne pas pour les tableauxTraitement des tableaux pour RAGGérer les tableaux sur plusieurs pagesDocuments avec images intégréesL'approche de synthèse d'imagesRécupération multimodale avec un espace d'embedding partagéAudio et vidéo dans RAGLa référence : la transcription haute fidélitéSémantique visuelle : le problème du « bouton rouge »Considérations relatives à la productionÉconomie computationnelle et latenceAlignement des modalitésLa couche d'interface : citations visuellesSécurité, confidentialité et gouvernanceObservabilité approfondie, traçabilité et sécurité à grande échelleHallucinations et évaluation dans le RAG multimodalDétection des hallucinations multimodalesÉvaluation de la recherche et de la génération multimodalesConclusion
9. RAG enrichi en connaissances
Graphes de connaissances : aperçuComment effectuer une recherche dans un graphe de connaissances ?Ontologies contre schémasUtilisation des graphes de connaissances dans le RAGConstruire un graphe de connaissances pour les filmsUtilisation du graphe de connaissances au moment de la requêteChoisir entre l'enrichissement et la recherche hybrideConstruire des graphes de connaissancesAutomatiser la construction d'un graphe de connaissancesExploiter les ontologies standard et les graphes de connaissancesGraphRAGL'infrastructure de la base de données orientée grapheModèles de mise à jour et évolution des graphesLe compromis entre précision et coûtConclusion
10. L'avenir du RAG
L'évolution de la rechercheLe passage au RAG agentiqueLa réalité de la gravité des données et de la recherche fédéréeL'impact d'un contexte plus longDe l'ingénierie des prompts à l'ingénierie du contexteLe passage d'un RAG réactif à un RAG proactifLe RAG à la périphérie : les petits modèles linguistiquesGouvernance et conformité à grande échelleConclusion : la base de connaissances vivante
Index
À propos des auteurs

Content preview from RAG pratique pour la production (French Edition)

Chapitre 9. RAGenrichi par la connaissance

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

Le RAG a radicalement changé notre façon d'aborder la recherche d'informations. On est passé du monde rigide de la correspondance de mots-clés à celui, plus fluide et intuitif, de la recherche sémantique. Ce changement nous permet de trouver des documents en fonction de leur sens conceptuel, et pas seulement des mots spécifiques qu'ils contiennent. Malgré ses atouts, les systèmes RAG reposant uniquement sur la recherche vectorielle ou la recherche hybride peuvent rencontrer des difficultés avec les requêtes qui nécessitent une compréhension plus précise des relations entre les entités. Ce problème survient parce que la recherche vectorielle traite de probabilités et de similitudes, et non de faits déterministes. Voici quelques exemples :

Faits liés au temps: La recherche par « embeddings » sémantiques n’est pas adaptée pour répondre à des questions qui dépendent d’un moment précis, car les « s » ont tendance à brouiller les informations passées et présentes.¹; Par exemple, une requête telle que « Qui était le PDG de Twitter en octobre 2022 ? » pourrait renvoyer des extraits mentionnant Elon Musk, Jack Dorsey ou Parag Agrawal, selon le texte récupéré, sans aucun alignement clair avec la date demandée. Cela conduit souvent soit à une mauvaise réponse, soit à ce que le LLM tente de fournir toutes les options ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Les grands modèles linguistiques : Les parties difficiles (French Edition)

Publisher Resources

ISBN: 0642572397623

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills

RAG pratique pour la production (French Edition)

by Ofer Mendelevitch, Forrest Sheng Bao

Chapitre 9. RAGenrichi par la connaissance

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.