Comprendre le RAG pas à pas
Comment donner à une IA l'accès à vos documents — sans aucun prérequis en deep learning. Un guide en 5 chapitres illustrés, du document brut jusqu'à la réponse générée.
Le problème : une IA brillante, mais coupée de vos données
Les assistants comme ChatGPT ou Claude ont appris en lisant une quantité gigantesque de textes. Mais cet apprentissage a deux limites très concrètes. D'abord, il s'arrête à une date donnée : tout ce qui s'est passé après, le modèle l'ignore. Ensuite — et c'est le plus important — le modèle n'a jamais vu vos documents : vos contrats, vos procédures internes, votre documentation produit, vos e-mails.
Posez-lui une question sur votre politique de télétravail, et il se retrouve face à un choix : avouer qu'il ne sait pas… ou inventer une réponse plausible. Ce deuxième cas, qu'on appelle une hallucination, est le vrai danger : la réponse a l'air parfaitement crédible, mais elle est fausse.
Imaginez un consultant extrêmement cultivé qui débarque dans votre entreprise. Il connaît le monde entier par cœur… mais il n'a jamais ouvert un seul de vos classeurs. Pour qu'il réponde juste, inutile de lui faire tout réapprendre : il suffit de lui tendre les bonnes pages au bon moment. C'est exactement ce que fait le RAG.
L'idée du RAG en une phrase
RAG signifie Retrieval-Augmented Generation, soit « génération augmentée par la recherche ». L'idée : avant de laisser l'IA répondre, on cherche dans vos documents les passages les plus pertinents pour la question posée, puis on les glisse dans la question envoyée au modèle. L'IA ne répond plus de mémoire : elle répond en s'appuyant sur les extraits qu'on vient de lui fournir, comme lors d'un examen où les documents sont autorisés.
Le RAG ne modifie pas le modèle d'IA lui-même. Il change uniquement ce qu'on lui donne à lire avant qu'il réponde. C'est ce qui le rend simple à mettre en place et à maintenir : pour mettre à jour les connaissances, on met à jour les documents — pas le modèle.
Le pipeline complet, en 5 étapes
Un système RAG fonctionne en deux temps. En amont (une seule fois, puis à chaque mise à jour des documents) : on prépare la bibliothèque. À chaque question : on y cherche les bons passages et on les fournit à l'IA. Le schéma ci-dessous montre l'ensemble — chaque bloc correspond à un chapitre de ce guide.
Chaque étape a son chapitre, avec des exemples concrets et des illustrations. Vous pouvez les lire dans l'ordre — c'est conçu comme un parcours — ou aller directement à celle qui vous intrigue.
Les 5 chapitres
Ingestion des données
Rassembler vos documents (PDF, pages web, wikis…) et en extraire un texte propre et exploitable.
Chapitre 2Chunking
Découper les documents en morceaux de la bonne taille — ni trop grands, ni trop petits.
Chapitre 3Embedding & indexation
Transformer chaque morceau de texte en coordonnées sur une « carte du sens », et ranger le tout.
Chapitre 4Retrieval
Retrouver, pour chaque question, les passages les plus pertinents de toute la bibliothèque.
Chapitre 5Injection dans le prompt
Assembler les extraits trouvés et la question en un message unique envoyé au modèle, pour obtenir une réponse fiable et sourcée.
Envie de voir le pipeline tourner en direct ? Le playground RAG interactif anime chacune de ces étapes sur un vrai schéma — idéal en complément de la lecture.