Licensed to be used in conjunction with basebox, only.
// savoir
Qu'est-ce que le RAG ?
En bref
Le RAG (Retrieval-Augmented Generation, ou génération augmentée par la recherche) est la méthode qu'utilise basebox pour produire des réponses à partir de vos propres documents : d'abord la recherche, ensuite la réponse. Avec votre question, le modèle de langage reçoit les passages pertinents de la base de connaissances et répond sur cette base – en citant ses sources. Cette page explique ce qui se passe et pourquoi les réponses issues d'une base de connaissances se comportent différemment du chat normal.
Le principe en une phrase
Un modèle de langage sait ce que contenaient ses données d'entraînement. Vos lignes directrices, contrats et manuels n'en faisaient pas partie. Le RAG comble cette lacune en présentant au modèle, au moment de la requête, les sections pertinentes de vos documents – comme si vous posiez devant une collègue les bonnes pages déjà ouvertes avant de lui poser votre question.
Ce qui se passe lors du import
- Extraction – le texte est lu à partir de fichiers PDF, Word, d'e-mails, d'images (par OCR) et d'autres formats.
- Découpage en sections – le document est divisé en sections de texte (« sections »). Vous en verrez le nombre plus tard dans la source.
- Embedding – chaque section est convertie en une représentation numérique qui en reflète le sens. Les contenus similaires se retrouvent ainsi proches les uns des autres.
- Stockage – les sections et les embeddings sont enregistrés dans la base de connaissances de l'app.
Selon le volume, cela prend de quelques secondes à quelques minutes ; l'app affiche un statut de traitement pour chaque fichier.
Ce qui se passe lorsque vous posez une question
- Votre question est elle aussi convertie en embedding.
- basebox parcourt l'ensemble de la base de connaissances – et pas seulement les premiers résultats – à la recherche des sections dont le sens est le plus proche de votre question.
- Les 20 sections les plus pertinentes sont sélectionnées et transmises au modèle de langage avec votre question.
- Le modèle formule la réponse à partir de ces sections et justifie ses affirmations par des pastilles de source numérotées.
Sous la réponse figure le nombre de documents parcourus. Un clic sur une pastille affiche le passage concerné et permet de télécharger l'original. Détails : Bases de connaissances et sources.
Ce que cela implique pour vos questions
- La formulation compte. La recherche trouve ce qui se rapproche du sens de votre question. Utilisez les termes employés dans les documents – « retour » ne donne pas les mêmes résultats que « restitution ».
- Plus c'est ciblé, mieux c'est. Une question concrète déplace la sélection des 20 sections vers le domaine qui vous intéresse. « Que contient le manuel ? » donne des résultats quelconques ; « Comment réinitialiser l'appareil ? » renvoie à la bonne page.
- Uniquement ce qui s'y trouve. Si une information ne figure pas dans les documents, le RAG ne peut pas la fournir. Un bon modèle le signale alors ; en cas de doute, vérifiez les sources.
- La réponse est sourcée, pas garantie exacte. La pastille montre sur quoi le modèle s'appuie – pour savoir s'il a bien lu le passage, il faut le relire vous-même.
RAG, import dans le chat et recherche web : comparaison
| Base de connaissances (RAG) | Fichier dans le chat | Recherche web | |
|---|---|---|---|
| D'où vient l'information | Des documents de l'app | Du fichier joint | De l'internet public |
| Volume | Très important ; fait l'objet d'une recherche | Limité par la fenêtre de contexte | Actuel, mais non vérifié |
| Sources | Oui, jusqu'au passage concerné | Non | Liens vers des pages web |
| Durable | Oui | Uniquement dans cette conversation | Non |
| Quitte l'environnement | Non | Non | Oui, la requête de recherche |
Un petit fichier pour une question ponctuelle a sa place dans le chat. Tout ce dont vous ou votre équipe avez besoin de manière récurrente a sa place dans une base de connaissances.
Remarques
Remarque
- Pour les Platform Operators : le traitement est assuré par les services
ragsrvetragsrv-support; les vecteurs sont stockés dans PostgreSQL avec pgvector. Sans GPU, le RAG fonctionne en mode CPU – opérationnel, mais plus lent. Voir Modèles de service. - Les documents d'une base de connaissances ne quittent pas votre environnement basebox. Seules les sections sélectionnées sont transmises au modèle de langage – à l'intérieur de l'environnement. La phase de transition du Cloud fait exception : ces sections y sont transmises aux modèles d'IA de Google Vertex à Francfort.
Questions fréquentes
Le modèle apprend-il à partir de mes documents ? Non. Le RAG ne modifie pas le modèle. Les documents sont parcourus à nouveau à chaque question ; si vous retirez un document, son contenu disparaît immédiatement.
Pourquoi la réponse ne cite-t-elle que 20 sources alors que d'autres pourraient correspondre ? Les 20 sections les plus pertinentes sont affichées, mais la recherche porte sur l'ensemble. Posez une question plus ciblée pour faire remonter d'autres sections.
Puis-je utiliser le RAG dans le chat normal ? Uniquement via une app dotée d'une base de connaissances. Le chat normal n'a pas de base de connaissances et donc pas de sources.
Prochaine étape : Pour créer une base de connaissances : Créer votre propre app
Besoin d'aide ? Contacter le support