Définition
RAG (génération augmentée par récupération)
Le RAG est une technique qui permet à une IA d'aller chercher des informations précises dans une base de documents avant de rédiger sa réponse, plutôt que de tout inventer de mémoire.
En clair
RAG veut dire "Retrieval-Augmented Generation", ou génération augmentée par récupération. C'est une méthode qui combine deux choses : un moteur de recherche qui va chercher des documents pertinents, et un modèle de langage (comme ChatGPT ou Claude) qui rédige une réponse en s'appuyant sur ces documents. Au lieu de répondre uniquement avec ce qu'il a appris pendant son entraînement, le modèle "consulte" des sources fraîches et précises avant de parler.
Comment ça marche
Le principe se déroule en trois étapes :
- Récupération : quand tu poses une question, le système cherche dans une base de documents (PDF, pages web, notes internes, etc.) les passages les plus pertinents, souvent grâce à une recherche sémantique.
- Augmentation : ces passages trouvés sont ajoutés au prompt, comme un contexte fourni au modèle.
- Génération : le modèle rédige sa réponse en s'appuyant sur ces extraits, un peu comme un étudiant qui répond à un examen avec ses fiches sous les yeux plutôt que de tout retenir par cœur.
Un exemple concret
Imagine une entreprise qui a des milliers de pages de documentation interne sur ses produits. Sans RAG, un chatbot IA classique ne connaîtrait rien de ces documents (ils ne faisaient pas partie de son entraînement) et inventerait probablement des réponses fausses. Avec RAG, quand un employé demande "Quelle est la politique de remboursement pour le produit X ?", le système va chercher le passage exact dans les documents internes, puis le modèle formule une réponse claire basée sur ce texte réel. C'est exactement ce que font des outils comme Perplexity ou les fonctions de recherche de documents dans ChatGPT Enterprise.
Pourquoi ça compte
Le RAG réduit fortement les "hallucinations" (quand l'IA invente des faits) et permet d'avoir des réponses à jour, sourcées, et adaptées à des données privées ou spécifiques sans avoir à réentraîner tout le modèle. C'est devenu une brique essentielle pour construire des assistants IA fiables en entreprise.
À ne pas confondre
Le RAG n'est pas du fine-tuning (réentraîner le modèle sur de nouvelles données). Le RAG ne modifie pas le modèle : il lui fournit juste du contexte au moment de la requête, ce qui est plus rapide, moins coûteux et plus facile à mettre à jour.
À retenir
Le RAG, c'est donner à l'IA le droit d'ouvrir le livre avant de répondre, au lieu de réciter par cœur.
Questions fréquentes
Le RAG élimine-t-il complètement les erreurs de l'IA ?+
Non, il les réduit fortement mais ne les élimine pas. Si les documents récupérés sont mauvais ou mal interprétés, l'IA peut encore se tromper.
Quelle différence entre RAG et fine-tuning ?+
Le fine-tuning réentraîne le modèle sur de nouvelles données de façon permanente, alors que le RAG lui fournit des informations à la volée sans toucher au modèle lui-même.
Le RAG est-il utilisé dans les outils grand public ?+
Oui, de plus en plus. Les fonctions de recherche web dans ChatGPT ou Claude, ou des outils comme Perplexity, reposent sur des principes de RAG.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.