RAG – Connecter une IA aux données de l’entreprise

Overview

Objectives

• Embeddings et bases vectorielles
• Chunking, métadonnées et ingestion
• Retrieval, reranking et recherche hybride
• Citations, droits d’accès et confidentialité
• Évaluation de la qualité des réponses
• Projet d’assistant documentaire

Syllabus

1. 01

   Module 1 — Embeddings et bases vectorielles

   Un embedding rapproche des textes, il ne comprend pas l'organigramme. La base vectorielle retrouve des voisins, pas la vérité · Vectoriser un petit corpus et montrer trois voisins, dont un hors sujet

   2 h
2. 02

   Module 2 — Chunking, métadonnées et ingestion

   Le découpage et les métadonnées décident de ce qui pourra être cité. Un morceau trop long noie, un morceau sans titre ne se retrouve pas · Découper dix pages avec des titres et une métadonnée de source

   2 h
3. 03

   Module 3 — Retrieval, reranking et recherche hybride

   La recherche hybride mélange mots exacts et proximité. Le rerank remet le bon passage devant. On mesure, on ne devine pas · Poser cinq questions et comparer recherche par mots et recherche vectorielle

   2 h
4. 04

   Module 4 — Citations, droits d’accès et confidentialité

   Une citation permet de vérifier. Un droit d'accès retire les morceaux que la personne ne doit pas voir, avant la génération · Répondre avec citation, puis rejouer avec un profil qui n'a pas le droit

   2 h
5. 05

   Module 5 — Évaluation de la qualité des réponses

   La qualité se mesure sur des questions dont la réponse est connue : exacte, incomplète, inventée, introuvable · Noter vingt questions sur cette échelle

   2 h
6. 06

   Module 6 — Projet d’assistant documentaire

   L'assistant documentaire du fil rouge répond sur le corpus de l'équipe, avec ses limites écrites · Livrer l'assistant sur le corpus et la page de limites

   2 h
7. 07

   Module 7 — Mise en situation et retour au poste

   retour au poste pour Développeurs, data, DSI · soutenir RAG – Connecter une IA aux données de l’entreprise

   2 h