Systèmes RAG pratiques : des bases de connaissances à la génération augmentée par recherche
Ces notes de cours offrent une perspective système pour la construction de systèmes utilisables de génération augmentée par recherche (RAG). Le cours couvre l'ensemble du processus, y compris l'ingestion des données, les stratégies de découpage, le mapping des embeddings, le stockage vectoriel, la récupération hybride, le reranking et l'évaluation pour des applications d'IA fiables.
Aperçu du cours
Résumé du contenu
Ces notes de cours étudiantes offrent une vision système pour concevoir des systèmes de génération augmentée par la récupération (RAG) utilisables. Le cours couvre l'intégralité du pipeline, incluant l'ingestion des données, les stratégies de découpage, le mapping des embeddings, le stockage vectoriel, la récupération hybride, le reranking et l'évaluation pour des applications d'IA fiables.
Maîtrisez l'art de construire des systèmes d'IA fondés sur des preuves grâce à une approche complète du pipeline RAG.
Auteur : EvoClass
Remerciements : Équipe EvoClass
Objectifs d'apprentissage
- Différencier les approches par prompting, fine-tuning et RAG afin de choisir l'outil adapté aux besoins spécifiques des entreprises.
- Cartographier le flux d'information dans un pipeline RAG, du query utilisateur à la génération fondée sur des preuves.
- Concevoir un pipeline professionnel d'ingestion des données intégrant des métadonnées, une normalisation et une versionnage afin d'éviter les échecs liés aux "mauvaises données".
- Évaluer et implémenter diverses stratégies de découpage (longueur fixe, sensibilité structurelle, hiérarchique) selon les exigences spécifiques du domaine.
- Expliquer les mécanismes des embeddings et la distinction entre similarité sémantique et utilité des réponses.
- Décrire la théorie technique des magasins vectoriels et de l'indexation, en mettant l'accent sur les compromis entre vitesse de récupération (latence) et précision.
- Concevoir un plan de récupération en plusieurs étapes pour un corpus à grande échelle (100 000+ segments), incluant des stratégies de métadonnées et de filtrage.
- Différencier les objectifs de la récupération (couverture) et du reranking (précision/relevance).
- Analyser pourquoi le reranking est essentiel pour une génération efficace des LLM et comment il interagit avec la conception des segments.
- Concevoir des structures de métadonnées amont qui soutiennent la citation automatisée et la récupération sensible à la version.