RAG (retrieval-augmented generation) : brancher un modèle d'IA sur vos vrais documents
D'après LeBigData - RAG : une approche pour optimiser l'usage de l'IA, relayé par Le Big Data
Rédigé à partir de la source originale; chaque fait est vérifié contre le texte source.
À retenir
- Le principe : indexer des documents (PDF, pages web, bases internes) en vecteurs numériques (embeddings), puis retrouver par similarité sémantique les passages les plus pertinents pour une question donnée.
- Le modèle de langage reçoit ensuite la question ET les passages retrouvés comme contexte, et rédige sa réponse à partir de cette matière plutôt que de sa seule mémoire d'entraînement.
- Cas d'usage courants : chatbot de support client qui cite ses sources, copilote pour agents qui retrouve des procédures et des tickets similaires, recherche documentaire conversationnelle dans des outils comme SharePoint, Confluence ou Drive.
- Le RAG réduit les inventions du modèle sans les éliminer : une mauvaise découpe des documents, des versions périmées ou une réponse mal étayée par le contexte récupéré restent des risques réels.
- Le terme et l'architecture ont été formalisés en 2020 par des chercheurs de Facebook AI Research (aujourd'hui Meta AI), qui combinaient un modèle génératif avec un index de passages Wikipédia interrogé par un moteur de recherche neuronal.
Pourquoi ça compte
Sans RAG, un modèle de langage ne peut répondre qu'à partir de ce qu'il a mémorisé à l'entraînement, une connaissance figée à une date donnée et souvent absente des documents internes d'une organisation. Le RAG permet de brancher l'IA sur des données actuelles et propriétaires sans réentraîner le modèle à chaque mise à jour, ce qui explique pourquoi cette approche s'est imposée comme la base des assistants d'entreprise fondés sur l'IA générative.
Action concrète
Avant de déployer un assistant RAG, vérifier la qualité du découpage des documents (chunking), la fraîcheur des sources indexées et la présence de citations vérifiables dans les réponses générées - un système qui ne peut pas montrer d'où vient sa réponse ne devrait pas être présenté comme fiable.
Repères datés
- 22 mai 2020 - Prépublication sur arXiv de l'article fondateur du RAG par des chercheurs de Facebook AI Research (Meta AI) et de UCL.
- décembre 2020 - Présentation de l'article à la conférence NeurIPS 2020, qui popularise le terme retrieval-augmented generation.
Sources originale et média
Sources
- LeBigData - RAG : une approche pour optimiser l'usage de l'IA : Article source de la fiche
- arXiv - Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020) : Article de recherche fondateur, Facebook AI Research (Meta AI) et UCL
- IBM Think - What is retrieval-augmented generation (RAG) ? : Définition technique et architecture de référence
- Onyx - Enterprise RAG platforms 2026 : Panorama des usages du RAG en entreprise
- Relais média : Le Big Data →
