RAG : Retrieval Augmented Generation

context

chatbot d’entreprise : support clients,
moteur de recherche interne

donc comment utiliser l’IA pour converser avec une base documentaire en évitant les hallucinations et autres bourdes.

Differentes approches

On met toute la base documentaire dans le prompt! (1M de tokens = 1,6 fois Guerre et Paix)
Agents : base de données + MCP + LLM agentic (memoire, outils, evaluations, conducteur vs executant)
RAG : Retrieval Augmented Generation

Comment résoudre:

cut off date des LLMs
contexte window limité
hallucinations
les erreurs

Idée:

Ajouter la bonne info dans le prompt

Principe:

trouver l’extrait de texte avec la bonne info : Retrieval
l’ajouter dans le prompt : Generation

<Question>

prends en compte le texte ci-dessous pour répondre

<Information, retrieved>

Version plus élaborée du prompt

Agissant en tant que
{insérer un rôle spécifique : enseignant, analyste, geek, auteur, …}

Utilise les informations suivantes :
{insérer les chunks de texte résultants}

Pour répondre à cette question :
{insérer la question initiale}

Donc super simple.

La difficulté n’est pas dans le prompt utilisateur mais dans la partie retrieval

Comment identifier les documents relatifs à la question / query ?

combien de documents prendre en compte
est-ce que l’info est complete
y a t il des contradictions entre divers documents
comment gerer les versions des documents

L’approche RAG

On vectorise un corpus de document

chunk : scinder les documents en extraits qui font sens : phrases, paragraphe(s), sections, etc
embedding : vectoriser les documents à l’aide d’un modèle approprié
storage : stocker le tout dans une base de donnée vectorielle comme weaviate, pinecone, …

L’utilisateur pose sa question : la query

vectoriser la query avec le meme modele
trouver les N documents dont les vecteurs sont proches du vecteur de la question

distance entre deux textes vectorisés : cosine similarity

A ce stade on a 2 questions non résolues

comme chunker le texte original ?
combien de documents prendre en compte ?

Chunk

voir mon post sur le sujet

On peut jouer sur

la taille des extraits
overlaper entre les extraits [ p1 + p2 + p3, p2 + p3 + p4, p3 + p4 + p5, ... ]
transformer les extraits pour mettre en avant l’information importante
ajouter des meta données : titre section ou chapitre, categorie, version etc

Vectorisation

Il y a de nombreux modeles de vectorisation disponibles

voici la strategie de choix selon Mistral

Les points 1, 2, 3 et 7 me semblent importants

Stratégie pour choisir un modèle d’embeddings en RAG

1. Langues

Anglais : Modèles optimisés (text-embedding-3-large, bge-large-en-v1.5).
Français : Modèles multilingues (multilingual-e5-large) ou spécifiques (camembert-base).

2. Taille des chunks

Courts (phrases) : Modèles légers (all-MiniLM-L6-v2).
Longs (paragraphes) : Modèles avec grande fenêtre contextuelle (text-embedding-ada-002, bge-large-en-v1.5).
Chevauchement : 10-20% pour éviter la perte de contexte.

3. Open-source vs Propriétaire

Open-source : Contrôle total, personnalisation possible (bge-large-en-v1.5, e5-mistral-7b-instruct).
Propriétaire : Performances optimisées, déploiement simplifié (text-embedding-3-large).

4. Installation locale vs API

Locale : Idéal pour confidentialité ou hors ligne (sentence-transformers, FlagEmbedding).
API : Pratique pour un déploiement rapide et scalable (OpenAI, Cohere).

5. Performances

Précision : Vérifier les benchmarks (MTEB) pour la langue/le domaine.
Vitesse : Modèles légers pour le temps réel (all-MiniLM-L6-v2).
Modèles récents : text-embedding-3-large, bge-large-en-v1.5, multilingual-e5-large.

6. Adaptation au domaine

Fine-tuning sur des données spécifiques (ex : camembert-base pour le juridique en français).

7. Outils d’évaluation

Utiliser MTEB ou Ragas pour comparer les modèles.

À retenir :

choisir un modele d’embedding MTEB
Pour l’anglais, text-embedding-3-large ou bge-large-en-v1.5.
Pour le français, multilingual-e5-large ou un modèle fine-tuné.
Pour des documents longs, modèles avec une grande fenêtre contextuelle.

Merci Mistral :)

Sur la méthode de chunking, j’ai du mal à croire qu’un split basé juste sur la longueur de l’extrait donne de bons resultats, meme avec chevauchement / fenetre coulissante.

Garbage in => Garbage out

Voir XKCD

C’est ton système d’apprentissage automatique ?
Oui ! Tu verses les données dans ce gros tas d’algèbre linéaire, puis tu récupères les réponses de l’autre côté.
Et si les réponses sont fausses ?
Il suffit de remuer le tas jusqu’à ce qu’elles aient l’air justes.

Reste la question

Combien de documents inclure dans le prompt ?

atteindre la limite de la fenetre de contexte du LLM
taille des chunks
seuil de score de similarité t > 0.75 (totallement arbitraire)
evaluation en bout de chaine en fonction du nombre de doc

=> 100% empiririque

Reranking

Le systeme retourne N documents similaires en rapport à la question de depart à partir d’un modele de vectorisation censé conserver la semantique des documents.

Ces modeles sont generiques et utiles pour vectoriser de grande quantité de docs

Embedding Global

Génère un vecteur fixe (ex. 768 dim.) capturant le sens global du texte.
Encodage unique et rapide : chaque texte est transformé une fois, stocké, puis comparé via cosine similarity ou dot product.
Échelle corpus : indispensable pour créer un espace sémantique commun à toutes les phrases/documents.

Reranking / Cross-Encoder

Entrée jointe : query + document passés ensemble dans un même Transformer (BERT, RoBERTa…).
Sortie : score de pertinence direct (régression ou classification binaire).
Fine-tuning avec MSE ou cross-entropy sur des paires étiquetées.
Précision supérieure : capte les interactions fines (ordre des mots, négation, co-références).
Coût CPU/GPU élevé : impossible d’encoder tout le corpus ; utilisé seulement pour reranker les top-k candidats fournis par l’embedding.