RAG (récupération augmentée)
Aussi appelé : retrieval-augmented generation, génération augmentée par récupération
Le RAG (de l'anglais retrieval-augmented generation, récupération augmentée) est une méthode qui permet à un modèle de langage de répondre à partir de données qu'il n'a pas apprises pendant son entraînement. Le principe : au moment de la question, on retrouve les passages pertinents dans une base documentaire, puis on les fournit au modèle comme contexte pour qu'il s'appuie dessus.
Cette approche résout un problème central : un LLM ignore par nature vos données privées et les faits postérieurs à son entraînement. Plutôt que de le réentraîner, coûteux et vite périmé, le RAG lui donne la bonne information au bon moment. Ajouter ou corriger un document suffit alors à changer les réponses.
Le RAG est devenu la méthode dominante pour ancrer un agent IA dans le contexte d'une entreprise. Sa qualité dépend directement de la propreté et de l'organisation des données sous-jacentes.