RAG pratique pour la production (French Edition)

Préface

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

Tu as vu la démo « easy RAG » : quelques lignes de Python, une base de données vectorielle et une clé API. En dix minutes, le chatbot répond à des questions en s’appuyant sur quelques fichiers PDF de l’entreprise. On dirait de la magie.

Peut-être as-tu même franchi une étape supplémentaire dans ton entreprise : tu as créé une application de génération augmentée par la recherche (RAG), tu l’as hébergée sur ta plateforme Cloud préférée et tu as étendu ta base de connaissances à plusieurs centaines de documents. Ça ressemble à une « vraie » application.

Puis vient le « jour 2 ».

À mesure que les utilisateurs commencent à poser des questions plus complexes, la « magie » initiale s’estompe. Les failles apparaissent lorsque ton application RAG invente avec assurance une politique réglementaire inexistante ou se plante dans une tâche de dépannage en citant une brochure marketing générique au lieu d’un schéma technique spécifique. La tension monte à mesure que les parties prenantes s’en mêlent : ton DSI exige des réponses sur la sécurité et la confidentialité des données, tandis que la R&D signale que le système reste « aveugle » face aux organigrammes et schémas essentiels enfouis dans leurs fichiers PDF.

Tu découvres rapidement que la précision de recherche qui tenait bon pour un millier de documents se dissout en « bruit sémantique » dès que le ...