Le vocabulaire de l'IA sur vos documents, expliqué simplement.

Le RAG, pour Retrieval-Augmented Generation, est une méthode qui donne à une IA l'accès à des sources précises : on cherche d'abord les passages utiles dans un ensemble de documents, puis le modèle de langage rédige sa réponse à partir de ces passages. L'IA répond ainsi sur des informations qu'elle n'a jamais apprises, comme les documents internes d'une entreprise, et peut indiquer d'où vient sa réponse.

GenRAG est une plateforme sans code pour créer des assistants RAG à partir de vos documents.

Un assistant IA documentaire est un chatbot qui répond aux questions d'une équipe à partir des documents de l'entreprise (procédures, contrats, fiches produit, notes internes), plutôt qu'à partir des connaissances générales d'un modèle.

Avec GenRAG, partez d'un modèle métier (RH, commercial, finance, administration, marketing) ou assemblez le vôtre, puis déployez-le en un clic aux couleurs de votre entreprise.

Un modèle de langage, ou LLM (Large Language Model), est une IA entraînée sur de grandes quantités de texte pour comprendre une question et rédiger une réponse. Les plus connus sont développés par OpenAI, Anthropic, Google, Mistral ou Meta. Seul, un LLM ne connaît pas vos documents.

GenRAG donne accès à plus de 400 modèles des grands fournisseurs, dont des modèles open source hébergés en Europe, avec le meilleur modèle au choix pour chaque étape.

Le découpage consiste à diviser chaque document en passages courts avant de l'indexer. La recherche porte ensuite sur ces passages plutôt que sur des documents entiers, ce qui permet de retrouver le paragraphe précis qui répond à une question.

Avec GenRAG, le découpage se fait automatiquement à l'import de vos documents, sans rien régler.

Un embedding est une suite de nombres qui représente le sens d'un texte. Deux passages qui parlent de la même chose ont des embeddings proches, même s'ils n'utilisent pas les mêmes mots. C'est ce qui permet la recherche sémantique.

GenRAG calcule les embeddings de vos documents dès leur import : votre assistant les comprend par le sens, pas par les mots.

Une base vectorielle stocke les embeddings des passages de vos documents et retrouve en quelques millisecondes ceux qui sont les plus proches d'une question. C'est la mémoire de recherche d'un assistant RAG.

Chaque entreprise a sa propre base dans GenRAG : votre assistant y retrouve les bons passages en quelques millisecondes.

La recherche sémantique retrouve des passages par leur sens et non par leurs mots exacts : une question sur les « congés » trouve aussi un passage sur les « jours de repos ». Elle s'oppose à la recherche par mots-clés classique.

C'est le rôle du bloc « Recherche dans les documents » de l'éditeur.

La reformulation réécrit la question de l'utilisateur avant la recherche : elle la complète avec le contexte de la conversation (« et pour les cadres ? » devient une question complète) et la rend plus facile à retrouver dans les documents.

C'est le rôle du bloc « Reformulation de la question » de l'éditeur.

Le reranking reclasse les passages trouvés par la recherche avec un modèle spécialisé, plus précis, pour ne garder que les plus pertinents avant de rédiger la réponse.

C'est le rôle du bloc « Classement des résultats » de l'éditeur.

Une réponse sourcée indique les documents et les passages qui ont servi à la rédiger. Le lecteur peut vérifier l'information au lieu de croire l'IA sur parole.

Les assistants GenRAG citent leurs sources sous forme de notes numérotées, [1], [2].

On parle d'hallucination quand une IA affirme avec assurance une information fausse ou inventée. Le RAG la combat en appuyant chaque réponse sur des passages réels, et les citations permettent de tout vérifier.

Les assistants GenRAG s'appuient sur vos documents et citent leurs sources : on ne croit pas l'assistant sur parole, on vérifie en un clic.

La fenêtre de contexte est la quantité de texte qu'un modèle de langage peut lire en une fois : la question, les instructions et les passages retrouvés. Elle se mesure en tokens et varie fortement d'un modèle à l'autre.

Un token est l'unité de texte que lit et écrit un modèle de langage, souvent un morceau de mot. Le prix d'un modèle et la taille de sa fenêtre de contexte se comptent en tokens.

Le fine-tuning réentraîne un modèle sur des exemples pour modifier son comportement ou son style. Contrairement au RAG, il ne permet pas de citer des sources, et il faut le refaire à chaque mise à jour des documents : pour répondre à partir de documents qui changent, le RAG est généralement plus adapté.