Formation Création d'Applications IA avec RAG

Leçon 1 • Anatomie d'un pipeline RAG

Décompose le pipeline en étapes de recherche, de lecture et de génération. Montre comment les données circulent des documents bruts à une réponse finale fondée.

Leçon 2 • Qu'est-ce que le RAG et pourquoi est-il important ?

Définit le RAG en le contrastant avec l'inférence standard des LLM et la mémoire paramétrique. Établit la motivation fondamentale pour ancrer les sorties de l'IA dans des connaissances externes.

Leçon 3 • Variantes et taxonomie du RAG

Passe en revue les architectures RAG naïves, avancées et modulaires. Aide les étudiants à sélectionner la variante adaptée à un contexte applicatif donné.

Leçon 1 • Stratégies de découpage pour la récupération

Enseigne les méthodes de découpage à taille fixe, sémantique et hiérarchique. La conception du découpage est le levier le plus important sur la précision de la récupération.

Leçon 2 • Construction d'un pipeline d'ingestion reproductible

Combine toutes les étapes de prétraitement en un pipeline versionné et testable. La reproductibilité garantit un comportement de récupération cohérent lors des mises à jour.

Leçon 3 • Chargement de documents à partir de sources multiples

Couvre les connecteurs pour les fichiers, les bases de données, les API et les sources web. Établit l'ingestion indépendante de la source comme point d'entrée du pipeline.

Leçon 4 • Extraction et enrichissement de métadonnées

Montre comment attacher des métadonnées structurées aux fragments pour une récupération filtrée. Les métadonnées permettent la recherche hybride et un contrôle d'accès fin.

Leçon 1 • Réglage fin des plongements pour votre domaine

Couvre l'apprentissage contrastif, la perte triplet et les flux de travail de réglage fin spécifiques au domaine. Les plongements réglés améliorent significativement la récupération sur des corpus spécialisés.

Leçon 2 • Sélection du modèle de plongement adapté

Compare les modèles de plongement généralistes, spécifiques à un domaine et multilingues. Les critères de sélection incluent l'adéquation au domaine, la latence et le coût.

Leçon 3 • Fonctionnement des modèles de plongement

Explique les architectures d'encodeurs, les stratégies de pooling et la dimensionnalité des plongements. Fournit la base technique pour un choix éclairé du modèle.

Leçon 1 • Filtrage par métadonnées et recherche à facettes

Applique des filtres structurés en complément de la similarité vectorielle pour affiner les ensembles de résultats. Le filtrage réduit le bruit et applique des limites d'accès.

Leçon 2 • Recherche hybride : récupération dense et sparse

Combine la recherche vectorielle dense avec la recherche par mots-clés sparse à l'aide de la fusion par rang réciproque. La recherche hybride surpasse systématiquement l'une ou l'autre méthode prise isolément.

Leçon 3 • Passage à l'échelle et gestion des magasins de vecteurs

Aborde les stratégies de partitionnement, de réplication et d'actualisation des index pour une échelle de production. Les pratiques opérationnelles garantissent une latence constante face à des volumes de données croissants.

Leçon 4 • Plongée dans les algorithmes d'indexation

Couvre les méthodes d'indexation HNSW, IVF et par quantification de produit. Le choix de l'algorithme régit la frontière vitesse-rappel pour une charge de travail donnée.

Leçon 1 • Diversité et couverture dans la récupération

Applique la pertinence marginale maximale et le regroupement pour réduire la redondance dans les fragments récupérés. Des ensembles de contexte diversifiés améliorent l'exhaustivité des réponses.

Leçon 2 • Pipelines de récupération multi-étapes

Conçoit la récupération comme une cascade : un large rappel suivi d'un reclassement axé sur la précision. Les pipelines par étapes équilibrent latence et pertinence à grande échelle.

Leçon 3 • Récupération contextuelle et conversationnelle

Adapte la récupération aux conversations à plusieurs tours en suivant le contexte et en résolvant les coréférences. Permet des applications RAG cohérentes et conscientes de la session.

Leçon 4 • Compréhension et transformation des requêtes

Couvre l'expansion, la réécriture et la décomposition des requêtes pour améliorer le rappel de la récupération. Une meilleure représentation de la requête est l'amélioration la moins coûteuse de la récupération.

Leçon 1 • Prompting pour la fidélité et les citations

Enseigne les prompts qui demandent au modèle de citer ses sources et de refuser les affirmations non étayées. Le prompting pour la fidélité est la principale défense contre l'hallucination.

Leçon 2 • Techniques d'injection de contexte

Couvre les motifs stuffing, map-reduce et refine pour injecter plusieurs fragments. Chaque motif convient à différentes longueurs de contexte et budgets de latence.

Leçon 3 • Contrôle du format de sortie

Utilise des prompts de sortie structurée pour produire de manière fiable du JSON, des tableaux et du Markdown. Des formats cohérents permettent l'analyse en aval et le rendu dans l'interface utilisateur.

Leçon 4 • Gestion de version et test des prompts

Applique des registres de prompts et une évaluation A/B pour gérer les changements de prompts en toute sécurité. Les prompts versionnés préviennent les régressions lors des mises à jour des modèles ou des données.

Leçon 1 • Métriques de fidélité et de pertinence de la réponse

Mesure si les réponses sont fondées sur le contexte récupéré et pertinentes par rapport à la requête. Ces deux métriques sont les principaux signaux de qualité pour les sorties RAG.

Leçon 2 • Métriques de précision et de rappel du contexte

Évalue si les fragments récupérés sont nécessaires et suffisants pour des réponses correctes. Les métriques de qualité du contexte diagnostiquent les échecs de récupération plutôt que de génération.

Leçon 3 • Flux de travail d'amélioration itérative

Relie les résultats d'évaluation à des correctifs ciblés dans le découpage, la récupération ou le prompting. Une itération structurée évite les modifications aléatoires et accélère les gains de qualité.

Leçon 4 • Frameworks d'évaluation RAG

Présente RAGAS, TruLens et les pipelines d'évaluation personnalisés pour une évaluation holistique du RAG. Les frameworks décomposent la qualité en sous-métriques mesurables et exploitables.

Leçon 1 • Observabilité et surveillance

Instrumente les pipelines RAG avec des traces, des métriques et des journaux pour une visibilité opérationnelle complète. L'observabilité permet une réponse rapide aux incidents et une surveillance continue de la qualité.

Leçon 2 • Conception et intégration d'API

Couvre la conception d'API REST et de streaming pour les points de terminaison RAG consommés par les clients front-end et backend. Des API bien conçues découplent le cœur RAG des applications consommatrices.

Leçon 3 • Sécurité, garde-fous et contrôle d'accès

Implémente des garde-fous d'entrée/sortie, la suppression des données à caractère personnel (PII) et le contrôle d'accès aux documents basé sur les rôles. Les mesures de sécurité protègent les utilisateurs et les organisations contre les sorties nuisibles ou non autorisées.

Leçon 4 • Mise en cache et optimisation de la latence

Applique la mise en cache sémantique, la mise en cache des plongements et la mise en cache des réponses pour réduire la latence et les coûts. La mise en cache est l'optimisation de production la plus efficace pour le RAG.