Glossaire RAG - Termes et définitions de l'IA documentaire

Glossaire complet des termes RAG, LLM, et intelligence artificielle. Définitions claires des concepts clés pour maîtriser l'IA documentaire.

Termes fondamentaux du RAG

RAG (Retrieval-Augmented Generation)
Technique qui améliore les LLM en récupérant des informations pertinentes depuis une base de connaissances externe avant de générer une réponse.
Embedding
Représentation vectorielle dense d'un texte qui capture sa signification sémantique. Les textes similaires ont des embeddings proches dans l'espace vectoriel.
Base de données vectorielle
Base de données spécialisée pour stocker et rechercher efficacement des vecteurs d'embeddings. Exemples : Qdrant, Pinecone, Weaviate, ChromaDB, Milvus.
Chunking
Processus de découpage des documents en segments plus petits pour permettre une récupération plus précise et respecter les limites de contexte du modèle.
Recherche sémantique
Recherche basée sur le sens plutôt que sur les mots-clés exacts. Utilise la similarité entre embeddings pour trouver des documents conceptuellement liés.

Termes liés aux LLM

LLM (Large Language Model)
Modèle de langage à grande échelle entraîné sur de vastes corpus de texte. Exemples : GPT-4, Claude, Llama, Mistral.
Fenêtre de contexte
Le nombre maximum de tokens qu'un modèle peut traiter dans une seule requête.
Hallucination
Génération d'informations fausses ou inventées par un LLM. Le RAG réduit ce problème en ancrant les réponses dans des sources vérifiées.
Fine-tuning
Entraînement supplémentaire d'un modèle pré-entraîné sur des données spécifiques pour adapter son comportement ou ses connaissances.

Techniques RAG avancées

Reranking
Étape qui réordonne les résultats de recherche pour améliorer la pertinence en utilisant des modèles cross-encoder.
Recherche hybride
Combinaison de recherche sémantique et recherche lexicale (BM25) pour bénéficier des deux approches.
Agentic RAG
RAG où un agent IA décide dynamiquement quand et quoi récupérer, permettant des tâches multi-étapes et un raisonnement complexe.
GraphRAG
Extension du RAG qui utilise des graphes de connaissances pour capturer les relations entre entités.
Self-RAG
Architecture RAG où le modèle évalue et critique ses propres récupérations et générations.
Retour au blog
Lancer l'app

Glossaire RAG

Tous les termes et concepts du RAG et de l'IA expliqués simplement

Concepts de base

Chunking

Processus de découpage de documents en segments plus petits (chunks) pour permettre une récupération plus précise et respecter les limites de contexte des modèles.

RAG (Retrieval-Augmented Generation)

Technique qui améliore les LLMs en récupérant des informations pertinentes depuis une base de connaissances externe avant de générer une réponse. Cela permet des réponses plus précises et vérifiables.

Token

Unité de base du traitement de texte par les LLMs. Un token peut être un mot, partie de mot, ou caractère selon le tokenizer.

Embeddings

Bi-Encoder

Modèle qui encode séparément la requête et les documents. Permet une recherche rapide mais moins précise que les cross-encoders.

Embedding

Représentation vectorielle dense d'un texte qui capture son sens sémantique. Les textes similaires ont des embeddings proches dans l'espace vectoriel.

Similarité cosinus

Mesure mathématique de la similarité entre deux vecteurs. Valeur entre -1 et 1, où 1 indique des vecteurs identiques.

Retrieval

Base de données vectorielle

Base de données spécialisée pour stocker et rechercher efficacement des vecteurs d'embedding. Exemples : Pinecone, Weaviate, Qdrant, ChromaDB, Milvus.

BM25

Algorithme de recherche lexicale basé sur la fréquence des termes. Souvent utilisé en combinaison avec la recherche vectorielle dans les approches hybrides.

Cross-Encoder

Modèle qui prend une paire requête-document en entrée pour calculer directement un score de pertinence. Plus précis mais plus lent que les bi-encoders.

Expansion de requête

Technique qui enrichit la requête utilisateur avec des termes supplémentaires ou des reformulations pour améliorer la récupération.

MMR (Maximal Marginal Relevance)

Algorithme de sélection qui équilibre pertinence et diversité dans les résultats de recherche pour éviter la redondance.

Recherche hybride

Combinaison de la recherche sémantique (vecteurs) et lexicale (mots-clés, BM25) pour bénéficier des avantages des deux approches.

Recherche sémantique

Recherche basée sur le sens plutôt que sur les mots-clés exacts. Utilise la similarité entre embeddings pour trouver des documents conceptuellement proches.

Reranking

Étape de ré-ordonnancement des résultats de recherche pour améliorer la pertinence. Utilise souvent des modèles cross-encoder pour scorer chaque paire requête-document.

Génération

Fenêtre de contexte

Nombre maximum de tokens qu'un modèle peut traiter en une seule requête. Limite la quantité d'informations récupérées utilisables.

Hallucination

Génération d'informations fausses ou inventées par un LLM. Le RAG réduit ce problème en ancrant les réponses dans des sources vérifiées.

LLM (Large Language Model)

Modèle de langage de grande taille entraîné sur de vastes corpus de texte. Exemples : GPT-4, Claude, Llama, Mistral.

Prompt

Instruction ou requête envoyée à un LLM. Dans le RAG, le prompt inclut la question de l'utilisateur plus le contexte récupéré.

Évaluation

Fidélité (Faithfulness)

Métrique mesurant si la réponse générée est supportée par le contexte récupéré, sans ajout d'informations non présentes.

MRR (Mean Reciprocal Rank)

Métrique mesurant la position moyenne du premier résultat pertinent dans les résultats de recherche.

NDCG (Normalized Discounted Cumulative Gain)

Métrique d'évaluation de la qualité du ranking qui prend en compte la position des résultats pertinents.

Pertinence de la réponse

Métrique évaluant si la réponse générée répond effectivement à la question posée par l'utilisateur.

Précision du contexte

Métrique mesurant quelle proportion du contexte récupéré est réellement pertinente pour répondre à la question.

Recall@K

Proportion de documents pertinents trouvés dans les K premiers résultats de recherche.

Avancé

Agentic RAG

RAG où un agent IA décide dynamiquement quand et quoi récupérer, permettant des tâches multi-étapes et un raisonnement complexe.

Fine-tuning

Entraînement supplémentaire d'un modèle pré-entraîné sur des données spécifiques pour adapter son comportement ou ses connaissances.

GraphRAG

Extension du RAG qui utilise des graphes de connaissances pour capturer les relations entre entités et améliorer le raisonnement.

Self-RAG

Architecture RAG où le modèle évalue et critique ses propres récupérations et générations pour améliorer la qualité des réponses.

Prêt à construire votre système RAG ?

Consultez nos guides techniques pour implémenter ces concepts

Voir les guidesEssayer Ailog

Ailog Assistant

Ici pour vous aider

Salut ! Pose-moi des questions sur Ailog et comment intégrer votre RAG dans vos projets !