Formation en génération augmentée par récupération

Leçon 1 • Composants clés et terminologie

Définit le vocabulaire essentiel, notamment le corpus, le fragment, le plongement et le magasin de vecteurs. Une terminologie précise évite toute confusion dans les chapitres techniques ultérieurs.

Leçon 2 • Ce que le RAG résout

Identifie les limites de connaissances des LLM statiques et comment la récupération y remédie. Ancre l'ensemble du cours en établissant le problème que le RAG est conçu pour résoudre.

Leçon 3 • Aperçu de l’architecture RAG de base

Cartographie le pipeline en trois étapes : indexation, récupération et génération. Donne aux étudiants un modèle mental qu'ils affineront tout au long du cours.

Leçon 1 • Enrichissement et étiquetage des métadonnées

Explique comment joindre la source, la date, la section et des étiquettes personnalisées à chaque fragment. Des métadonnées riches permettent une récupération filtrée et améliorent l’attribution des réponses.

Leçon 2 • Stratégies de fragmentation

Compare les méthodes de fragmentation à taille fixe, par phrase, récursive et sémantique. La qualité des fragments est le seul facteur contrôlable le plus important pour le rendement de la récupération.

Leçon 3 • Évaluation de la qualité des fragments

Présente les mesures et les méthodes d’inspection manuelle pour évaluer si les fragments sont cohérents et complets. Lie directement la qualité des fragments au rappel et à la précision de la récupération.

Leçon 4 • Nettoyage et normalisation du texte

Enseigne comment éliminer le bruit, comme les en-têtes, les pieds de page et le contenu passe-partout avant la fragmentation. Un texte propre améliore directement la qualité des plongements et la précision de la récupération.

Leçon 1 • Sélection d’un modèle de plongement

Guide la sélection du modèle à l’aide de scores de référence, de l’adéquation au domaine, de la latence et du coût. Un choix de modèle correct évite une réindexation coûteuse après le déploiement.

Leçon 2 • Recherche de similarité et métriques de distance

Explique la similarité cosinus, le produit scalaire et la distance euclidienne, et quand les utiliser. Le choix de la métrique affecte la qualité du classement et doit correspondre à l’objectif d’apprentissage du modèle de plongement.

Leçon 3 • Indexation et processus de mise à jour et insertion

Couvre l’indexation par lots, les mises à jour et insertions incrémentielles et la suppression pour maintenir le magasin de vecteurs à jour. Des index obsolètes dégradent la qualité de la récupération dans les systèmes de production.

Leçon 4 • Fondamentaux des modèles de plongement

Explique comment les encodeurs basés sur les transformateurs transforment le texte en vecteurs de dimension fixe. Fournit la base théorique pour toutes les techniques de récupération couvertes ultérieurement.

Leçon 1 • Techniques de transformation des requêtes

Couvre la réécriture, l’expansion des requêtes, les plongements de documents hypothétiques et la génération de multiples requêtes pour améliorer le rappel. Les requêtes transformées font apparaître des fragments pertinents que la requête d’origine manquerait.

Leçon 2 • Reclassement des résultats récupérés

Applique des re-classeurs à encodeur croisé et un score basé sur un LLM pour réorganiser les premiers candidats. Le reclassement place les fragments les plus pertinents en haut de la fenêtre de contexte.

Leçon 3 • Récupération hybride et fusion

Combine les scores denses et creuses à l’aide de la fusion par rang réciproque et d’un mélange pondéré. La récupération hybride surpasse systématiquement l’une ou l’autre méthode seule pour divers types de requêtes.

Leçon 4 • Récupération creuse avec BM25

Présente le BM25 basé sur la fréquence des termes comme complément à la récupération dense. Les méthodes creuses excellent pour les requêtes de correspondance exacte et de termes rares où les modèles denses sont moins performants.

Leçon 1 • Stratégies d’injection de contexte

Compare les modèles d’insertion massive, de carte-réduit et d’affinage pour insérer plusieurs fragments récupérés. Le choix de la stratégie affecte la cohérence et la consommation du budget de jetons.

Leçon 2 • Conception d’instructions pour la fidélité

Enseigne des instructions qui contraignent le modèle à répondre uniquement à partir du contexte fourni. Les contraintes de fidélité sont la principale défense contre l’hallucination dans le RAG.

Leçon 3 • Anatomie d’une invite RAG

Décompose les instructions système, le contexte récupéré et la requête de l’utilisateur en zones d’invite distinctes. Comprendre la structure de l’invite est un prérequis pour l’optimisation systématique des invites.

Leçon 4 • Gestion du budget de jetons

Aborde les limites de la fenêtre de contexte en priorisant, tronquant et compressant le contenu récupéré. Une utilisation efficace des jetons garantit que les informations les plus pertinentes parviennent au modèle.

Leçon 1 • Débogage et analyse des causes profondes

Fournit un processus systématique pour retracer les mauvaises réponses jusqu’à des défaillances de récupération, de fragmentation ou d’invite. L’analyse des causes profondes évite d’attribuer à tort les erreurs de génération à la mauvaise étape du pipeline.

Leçon 2 • Dimensions d’évaluation dans le RAG

Définit les quatre axes de la qualité du RAG : la pertinence du contexte, la fidélité, la pertinence de la réponse et l’exhaustivité. Une vue multidimensionnelle évite d’optimiser une métrique au détriment des autres.

Leçon 3 • Cadres d’évaluation de bout en bout du RAG

Présente RAGAS et des cadres automatisés similaires qui notent des pipelines RAG complets. Les cadres automatisés permettent une évaluation continue à mesure que le système évolue.

Leçon 4 • Mesures d’évaluation de la récupération

Couvre la précision, le rappel, le rang réciproque moyen et le gain cumulatif actualisé normalisé pour mesurer la qualité de la récupération par rapport à des ensembles de données étiquetés. Les mesures de récupération isolent les problèmes d’indexation et de recherche des défaillances de génération.

Leçon 1 • Récupération itérative et multi-étapes

Enchaîne plusieurs appels de récupération où chaque étape affine ou élargit la requête en fonction des résultats précédents. La récupération multi-étapes gère les questions complexes nécessitant des preuves provenant de plusieurs sources.

Leçon 2 • Récupération améliorée par graphe

Augmente la récupération vectorielle avec une traversée de graphe de connaissances pour capturer les relations entre entités. Le contexte de graphe améliore les réponses aux questions nécessitant un raisonnement multi-sauts.

Leçon 3 • RAG agentique avec utilisation d’outils

Intègre la récupération comme un outil parmi d’autres dans un agent LLM qui planifie et exécute des processus multi-actions. Le RAG agentique permet une prise de décision dynamique au-delà des pipelines de récupération statiques.

Leçon 4 • RAG multimodal

Étend le RAG pour récupérer et raisonner sur des images, des tableaux et des documents multimédia. La récupération multimodale débloque des cas d’utilisation où les informations critiques ne sont pas textuelles.

Leçon 1 • Observabilité et surveillance

Instrumente le pipeline avec du traçage, des tableaux de bord de latence et des moniteurs de qualité de récupération. L’observabilité permet la détection et la résolution rapides d’une dégradation en production.

Leçon 2 • Amélioration continue en production

Établit des boucles de rétroaction utilisant des signaux utilisateur, des tests sans impact et des expériences A/B pour améliorer le système en direct. L’amélioration continue empêche la dégradation de la qualité à mesure que les données et les habitudes d’utilisation évoluent.

Leçon 3 • Sécurité et contrôle d’accès

Implémente des autorisations au niveau du document, l’assainissement des requêtes et le filtrage des sorties dans le pipeline RAG. Les contrôles de sécurité empêchent l’exposition non autorisée de données par la récupération.

Leçon 4 • Mise à l’échelle et réglage du rendement

Aborde la mise à l’échelle horizontale de la récupération, les stratégies de mise en cache et le traitement par lots pour atteindre les objectifs de débit. Le réglage du rendement garantit une latence acceptable sous les volumes de requêtes de production.