{"id":216043,"date":"2023-09-25T04:39:05","date_gmt":"2023-09-25T11:39:05","guid":{"rendered":"https:\/\/www.cohesity.com\/glossary\/la-generation-augmentee-de-recuperation-rag\/"},"modified":"2024-12-20T12:42:21","modified_gmt":"2024-12-20T20:42:21","slug":"retrieval-augmented-generation-rag","status":"publish","type":"glossary","link":"https:\/\/www.cohesity.com\/fr\/glossary\/retrieval-augmented-generation-rag\/","title":{"rendered":"La g\u00e9n\u00e9ration augment\u00e9e de r\u00e9cup\u00e9ration (RAG)"},"content":{"rendered":"

Qu’est-ce que le mod\u00e8le RAG (g\u00e9n\u00e9ration augment\u00e9e de r\u00e9cup\u00e9ration)\u00a0?<\/strong><\/h2>\n

Le mod\u00e8le RAG (retrieval augmented generation, g\u00e9n\u00e9ration augment\u00e9e de r\u00e9cup\u00e9ration) est une technique de traitement du langage naturel (NLP) qui combine les forces des mod\u00e8les d’intelligence artificielle (IA)<\/a> bas\u00e9s sur la r\u00e9cup\u00e9ration et sur la g\u00e9n\u00e9ration. L’IA RAG peut fournir des r\u00e9sultats pr\u00e9cis qui tirent le meilleur parti des connaissances pr\u00e9existantes. Elle peut \u00e9galement traiter et consolider ces connaissances pour cr\u00e9er des r\u00e9ponses, des instructions ou des explications uniques, adapt\u00e9es au contexte et r\u00e9dig\u00e9es dans un langage proche de celui des humains, au lieu de se contenter de r\u00e9sumer les donn\u00e9es r\u00e9cup\u00e9r\u00e9es.<\/p>\n

L’IA RAG est diff\u00e9rente de l’IA g\u00e9n\u00e9rative<\/a> en ce sens qu’elle est un sur-ensemble de l’IA g\u00e9n\u00e9rative. Le mod\u00e8le RAG combine les forces de l’IA g\u00e9n\u00e9rative et de l’IA de r\u00e9cup\u00e9ration. Il est \u00e9galement diff\u00e9rent de l’IA cognitive<\/a>, qui imite le fonctionnement du cerveau humain pour obtenir ses r\u00e9sultats.<\/p>\n

Comment fonctionne la g\u00e9n\u00e9ration augment\u00e9e de r\u00e9cup\u00e9ration (RAG)\u00a0?<\/strong><\/h2>\n

RAG est l’abr\u00e9viation de \u00ab\u00a0Retrieval Augmented Generation\u00a0\u00bb. Ce mod\u00e8le fonctionne en int\u00e9grant des techniques bas\u00e9es sur la r\u00e9cup\u00e9ration avec des mod\u00e8les d’IA g\u00e9n\u00e9rative.<\/p>\n

Les mod\u00e8les bas\u00e9s sur la r\u00e9cup\u00e9ration excellent dans l’extraction d’informations \u00e0 partir de sources en ligne pr\u00e9existantes, notamment des articles de journaux, des bases de donn\u00e9es, des blogs et d’autres r\u00e9f\u00e9rentiels de connaissances tels que Wikip\u00e9dia ou m\u00eame des bases de donn\u00e9es internes. Ces mod\u00e8les ne peuvent cependant pas produire de r\u00e9ponses originales ou uniques.<\/p>\n

Les mod\u00e8les g\u00e9n\u00e9ratifs sont quant \u00e0 eux capables de g\u00e9n\u00e9rer des r\u00e9ponses originales et adapt\u00e9es au contexte de la question pos\u00e9e, mais ils peuvent manquer de pr\u00e9cision.<\/p>\n

Le mod\u00e8le RAG a \u00e9t\u00e9 d\u00e9velopp\u00e9 pour combiner les forces respectives des mod\u00e8les existants et minimiser leurs inconv\u00e9nients afin de pallier ces faiblesses relatives.<\/p>\n

Dans un syst\u00e8me d’IA RAG, le mod\u00e8le de r\u00e9cup\u00e9ration permet de trouver des informations pertinentes dans les sources d’information existantes. Le mod\u00e8le g\u00e9n\u00e9ratif, quant \u00e0 lui, prend les informations r\u00e9cup\u00e9r\u00e9es, synth\u00e9tise toutes les donn\u00e9es et les transforme en une r\u00e9ponse coh\u00e9rente et adapt\u00e9e au contexte.\u00a0<\/span><\/p>\n

Quels sont les avantages de la g\u00e9n\u00e9ration augment\u00e9e de r\u00e9cup\u00e9ration\u00a0?<\/strong><\/h2>\n

Le mod\u00e8le RAG int\u00e8gre les mod\u00e8les d’IA de r\u00e9cup\u00e9ration et d’IA g\u00e9n\u00e9rative pour fournir des r\u00e9ponses plus pr\u00e9cises, plus pertinentes et plus originales, tout en donnant l’impression qu’elles sont fournies par des \u00eatres humains. En effet, les mod\u00e8les RAG peuvent comprendre le contexte des requ\u00eates et g\u00e9n\u00e9rer des r\u00e9ponses nouvelles et uniques en combinant le meilleur des deux mod\u00e8les.<\/p>\n