{"id":304,"date":"2025-01-31T05:19:00","date_gmt":"2025-05-30T21:27:31","guid":{"rendered":"https:\/\/happynumeric.com\/lexique-intelligence-artificielle\/r\/definition_rag\/"},"modified":"2025-06-05T23:34:00","modified_gmt":"2025-06-05T21:34:00","slug":"definition-rag","status":"publish","type":"post","link":"https:\/\/happynumeric.com\/lexique-intelligence-artificielle\/r\/definition-rag\/","title":{"rendered":"RAG"},"content":{"rendered":"

En intelligence artificielle et en prompt engineering, le terme \u00ab\u00a0Retrieval Augmented Generation\u00a0\u00bb (RAG) d\u00e9signe une architecture particuli\u00e8re. Qu’est-ce que RAG\u00a0? C’est une technique qui combine la puissance des grands mod\u00e8les de langage (LLM) avec la pr\u00e9cision des informations stock\u00e9es dans des bases de donn\u00e9es externes.<\/p>\n

Comment fonctionne RAG\u00a0?<\/h3>\n

RAG fonctionne en trois \u00e9tapes principales. 1. Votre requ\u00eate est analys\u00e9e pour identifier les informations n\u00e9cessaires. 2. Ensuite, RAG explore une base de donn\u00e9es externe pour trouver les documents les plus pertinents. Imaginez une biblioth\u00e8que o\u00f9 RAG est le biblioth\u00e9caire qui s\u00e9lectionne les livres appropri\u00e9s \u00e0 votre recherche. 3. Enfin, ces informations s\u00e9lectionn\u00e9es sont fournies au LLM qui g\u00e9n\u00e8re alors une r\u00e9ponse plus compl\u00e8te et pr\u00e9cise, enrichie par les donn\u00e9es externes. C’est comme si le biblioth\u00e9caire vous donnait non seulement les livres, mais aussi un r\u00e9sum\u00e9 personnalis\u00e9 de leur contenu.<\/p>\n

Pourquoi RAG est-il important\u00a0?<\/h3>\n

RAG est essentiel car il permet de d\u00e9passer les limites des LLM. Sans acc\u00e8s \u00e0 des donn\u00e9es externes actualis\u00e9es, un LLM peut fournir des informations obsol\u00e8tes ou incompl\u00e8tes. RAG permet de contourner ce probl\u00e8me en fournissant au LLM les donn\u00e9es contextuelles dont il a besoin pour g\u00e9n\u00e9rer des r\u00e9ponses plus pertinentes. Par exemple, un chatbot m\u00e9dical utilisant RAG peut acc\u00e9der \u00e0 des informations m\u00e9dicales \u00e0 jour pour fournir des r\u00e9ponses plus pr\u00e9cises et s\u00fbres, ou un assistant juridique peut se r\u00e9f\u00e9rer \u00e0 la jurisprudence.<\/p>\n

Exemples d’utilisation de RAG<\/h3>\n