Testez maintenant votre prompt avec l'un de ces assistants IA pour voir le résultat en conditions réelles :

Gardez une trace de vos prompts et des résultats obtenus pour pouvoir les comparer et les améliorer.

Conseil :

Testez avec un LLM

Cette formation est 100%% gratuite. Pour qu'elle le reste, cette page contient des publicités. Merci de votre compréhension et de votre soutien !

Compétences développées

Contenus abordés dans ce module

Accédez aux ressources, ateliers et évaluations guidées pour progresser à votre rythme.

Prêt à activer ce module ?

Questions fréquentes

Format de la formation

Ce que vous saurez faire à la fin du module

Pourquoi ce module compte

Ancrer l'IA dans vos sources de vérité grâce au Retrieval-Augmented Generation et maîtriser l'injection de contexte

**1. Mise à jour sans réentraînement**

Études montrent **30-40% de réduction** des hallucinations avec RAG sur questions factuelles.

Impact mesuré

**2. Réduction des hallucinations**

Docs trouvés: [Article 12.3: "25 jours ouvrés"]

**3. Transparence et vérifiabilité**

### ✅ Les 3 avantages clés du RAG

**Ce qu'elle ne sait PAS du tout :**

**Ce qu'elle sait très bien :**

### 🤖 Ce que l'IA sait (et ne sait pas)

### 🏗️ Architecture RAG en 7 étapes

Le chaining (Module 4) préparait au RAG. Ici, Étape 1 = recherche documentaire, Étape 2 = génération de réponse. C'est un pipeline à 2 étapes.

Lien Module 4

### 🆚 RAG vs Alternatives

L'IA agit comme un consultant externe brillant qui a lu des milliers de livres mais ne connaît **rien** de votre organisation. Pas un document interne. Pas un processus. Pas une spécificité.

**Ce qu'Alex constate :**

Alex a besoin que l'IA puisse **interroger les documents internes** de l'entreprise — politiques RH, procédures, bases de connaissances — pour donner des réponses fiables et spécifiques.

Le vrai problème

**Pourquoi c'est bloquant pour Alex :**

Alex demande à Claude : "Comment validons-nous les budgets dans notre entreprise ?". L'IA répond avec assurance : "En général, les budgets sont validés par le directeur financier après présentation en comité de direction..." — une réponse totalement **générique** et **fausse** pour son entreprise.

**Le test qui échoue**

Alex a déjà automatisé beaucoup de tâches grâce à l'IA : emails RH (module 0), extraction de données (module 2), analyse logique (module 3), pipelines complets (module 4). Mais un problème revient sans cesse : **l'IA ne connaît rien aux documents internes de son entreprise**.

**L'IA brillante qui ne connaît rien de l'entreprise**

### 📖 Le problème d'Alex

**RAG = Retrieval-Augmented Generation**

**Décortiquons ce terme :**

**En une phrase simple :** Le RAG, c'est donner la capacité à une IA de chercher dans VOS documents avant de vous répondre, comme un excellent bibliothécaire qui consulterait vos archives avant de vous donner une information.

### 🔗 Définition : RAG

**La différence ?**

**Nouveau scénario avec accès aux docs :**

### 💡 L'intuition : Donner des documents à l'IA

### ✅ Points clés à retenir

Vous comprenez le "quoi" du RAG. **Section 5.2** : Context Engineering — Comment injecter efficacement le contexte récupéré dans le prompt.

### 🚀 Prochaine étape

Comprendre comment ancrer l'IA dans vos sources de vérité pour obtenir des réponses fiables, contextuelles et vérifiables — plutôt que des réponses génériques ou inventées.

### 🎯 Objectif pédagogique

### 💭 Pause réflexive

Ce que vous allez apprendre

Base de connaissances → RAG → Réponses automatiques

**Support client (Zendesk, Intercom)**

Code repositories → RAG → Suggestions contextuelles

**Documentation technique (GitHub Copilot Docs)**

Jurisprudence → RAG → Analyse contractuelle

**Légal/Compliance (Harvey AI)**

Littérature médicale → RAG → Aide au diagnostic

**Médical (Google Med-PaLM)**

### 📊 Cas d'usage réels

**Recherche classique par mots-clés :**

**RAG :**

### 🔍 RAG vs Recherche par mots-clés

Principe et avantages du RAG

Extraire seulement les phrases pertinentes de chaque passage récupéré, pour un contexte plus dense en information utile.

**C. Contextual Compression**

Combiner recherche vectorielle (sémantique) + recherche par mots-clés (BM25).

**B. Hybrid Search (Recherche hybride)**

Après la recherche vectorielle (20 résultats), utiliser un modèle de reranking pour réordonner et garder les 5 meilleurs.

**A. Reranking (Réordonnancement)**

### 🚀 Techniques avancées

**1. Fixed-size chunking (Taille fixe)**

Un chunk = un paragraphe complet. Les paragraphes trop courts sont fusionnés, les trop longs sont divisés.

**2. Paragraph-based chunking (Par paragraphe)**

Une IA analyse le texte et identifie les frontières naturelles entre les sujets.

**3. Semantic chunking (IA qui décide)**

### 🛠️ Les 3 stratégies de chunking

### ✂️ Théorie du Chunking

**Pourquoi découper les documents ?**

**Problèmes courants :**

Chercher les documents pertinents est **la moitié du travail**. Encore faut-il les **injecter efficacement** dans le prompt.

**La moitié du travail**

### 📖 Le défi

**Pourquoi ce format ?**

**Template recommandé :**

### 📝 Format structuré avec délimiteurs

Vous maîtrisez la théorie. **Section 5.3** : Atelier pratique Mini-RAG — Construisez un système RAG fonctionnel sur 3 documents RH.

Maîtriser l'art d'injecter le bon contexte, au bon format, dans la bonne quantité — pour que l'IA exploite efficacement vos documents.

**Sans overlap :**

**Avec overlap de 50 tokens :**

### 🔄 L'importance de l'overlap

L'IA pourrait mélanger le contexte fourni avec ses connaissances générales. Vous ne sauriez pas si la réponse vient de VOS documents ou de son entraînement.

Sans la règle 'UNIQUEMENT basé sur le contexte'

**Instructions système**

Les passages pertinents formatés avec délimiteurs

**Contexte récupéré**

**Question utilisateur**

### 🏗️ Le prompt RAG en 3 composants

### 📊 Limites de tokens par modèle

Context Engineering

Utilisez le composant interactif pour expérimenter le flux RAG complet sur ces 3 documents.

💡 L'essentiel se passe à droite !

Article 4.2 - Congés payés par ancienneté
• Moins de 2 ans : 25 jours ouvrés
• 2 à 5 ans : 27 jours ouvrés
• Plus de 5 ans : 30 jours ouvrés

Les congés non pris au 31 mai sont perdus sauf accord écrit du manager.

**Document 1 : Politique_Conges_2024.pdf**

Modalités du télétravail
• Maximum 2 jours par semaine
• Équipement fourni : laptop + écran 24 pouces
• Demande via formulaire TT-2024 sur l'intranet
• Validation manager sous 5 jours ouvrés

**Document 2 : Guide_Teletravail.pdf**

En cas de contestation sur votre fiche de paie :
1. Contacter d'abord votre manager direct
2. Si non résolu : formulaire REC-01 aux RH
3. Délai de traitement : 10 jours ouvrés maximum
4. Appel possible auprès du DRH sous 5 jours

**Document 3 : Procedure_Reclamation.pdf**

### 📄 Les 3 documents RH de l'atelier

Vous avez pratiqué un Mini-RAG. **Section 5.4** : Outils et Production — Quel Vector DB choisir ? Comment passer en production ?

Expérimenter le flux complet RAG sur des documents concrets pour développer votre intuition sur le fonctionnement réel du système.

Découper chaque document en paragraphes de ~200 mots

**Chunking**

Transformer chaque chunk en vecteur (liste de 1536 nombres)

**Embedding**

Sauvegarder les vecteurs dans une base vectorielle

**Stockage**

### 📋 Phase A : Préparation (Indexation)

"Combien de jours de congés après 5 ans d'ancienneté ?"

Transformer la question en vecteur (même espace que les documents)

**Embedding de la question**

Trouver les 3-5 chunks les plus proches (similarité cosinus)

**Recherche de similarité**

Injecter les chunks trouvés + question dans le prompt

**Construction du prompt**

L'IA lit le contexte et formule une réponse avec citations

**Génération**

### 🔍 Phase B : Utilisation (Requête)

### ✅ Checklist de qualité RAG

Ce que vous allez faire

### ❓ Questions de test

Atelier pratique Mini-RAG

Question → Embedding → Recherche → Top-K → Prompt → Réponse

**RAG Simple (Naive RAG)**

Query Rewriting → Hybrid Search → Reranking → Compression → Generation

**RAG Avancé (Advanced RAG)**

Gestion de l'historique de conversation + reformulation automatique des questions

**RAG Conversationnel**

Router IA → Multiple sources (docs, SQL, API, emails) → Agrégation → Synthèse

**RAG Multi-Source**

Agent IA qui décide quelles sources consulter, peut exécuter des actions

**Agentic RAG**

### 🏗️ Les 5 architectures RAG

Vous avez une vision complète du RAG. **Section 5.5** : Quiz de synthèse — Validez vos acquis avant le Module 6.

Acquérir une vision complète de l'écosystème RAG en production pour faire des choix technologiques éclairés.

Avant déploiement : Si score RAGAS < 0.7 → Améliorer. Si score > 0.85 → Bon pour production.

Conseil

% des bonnes réponses dans les K premiers résultats

% d'affirmations dans la réponse supportées par le contexte

La réponse répond-elle vraiment à la question ?

L'IA utilise-t-elle bien tout le contexte pertinent ?

### 📊 Métriques d'évaluation RAGAS

### 📚 Ressources pour aller plus loin

**1. Fuite d'information**

**2. Prompt Injection**

**3. RGPD - Droit à l'effacement**

**4. Transfert hors UE**

### 🔒 Sécurité et RGPD

### 🗄️ Comparaison des Vector Databases

Synthèse et ressources

**Module 6 : Agents IA et ReAct** — Passez de l'IA passive (RAG) à l'IA active (Agents) qui peut raisonner ET agir !

Prochaine étape

Vous avez complété le **Module 5 : RAG & Context Engineering** !

### 🏆 Félicitations !

### ✅ Checkpoint de compréhension

### ✅ Points clés du Module 5

C'est une force ET une limite. Si l'information n'est pas dans vos documents, le RAG dira "pas d'information" (bien configuré) ou inventera (mal configuré).

**1. Le RAG ne peut pas inventer**

Même avec retrieval, vous ne donnez que les top-K passages. Une information dans le passage K+1 sera ignorée.

**2. Le contexte est limité**

Le RAG comprend le langage mais n'a pas de vraie compréhension du monde. Il ne peut pas raisonner sur ce qui n'est pas écrit.

**3. Compréhension vs Connaissance**

Si vos documents contiennent des erreurs ou des biais, le RAG les reproduira.

**4. GIGO (Garbage In, Garbage Out)**

### ⚠️ Limites fondamentales du RAG

Vous passerez du retrieval passif à l'action autonome : créer des agents qui utilisent le RAG comme outil parmi d'autres.

### 🚀 À très bientôt pour le Module 6 !

Valider votre maîtrise du RAG et préparer la transition vers les Agents IA, qui utilisent le RAG comme l'un de leurs outils.

### 🎓 Votre portfolio RAG

Les agents utilisent le RAG comme l'un de leurs outils. Un agent peut décider : "Je vais d'abord chercher dans la documentation (RAG), puis appeler une API, puis générer un rapport."

Lien RAG ↔ Agents

Actif — Peut décider d'actions, utiliser des outils, agir sur le monde

**Agents (Module 6)**

Passif — Répond aux questions en consultant des documents

**RAG (Module 5)**

**Ce que vous apprendrez au Module 6 :**

### 🚀 Transition vers le Module 6 : Agents

Réflexion finale

RAG & Context Engineering

Articles recommandés pour approfondir les concepts de ce module.

Pour aller plus loin

Bonne formation! N'hésitez pas à prendre votre temps et à expérimenter.

Vous êtes prêt! 🚀

À gauche, vous trouverez la leçon avec tout le contenu théorique. Lisez à votre rythme.

Zone Documentation 📖

À droite, c'est votre espace de pratique. Testez vos prompts avec un vrai LLM ou complétez les exercices interactifs.

Zone Terminal / Pratique 💻

Cette courte visite guidée vous montrera comment utiliser la plateforme efficacement.

Bienvenue sur LearnIA! 👋

Accédez à tous les modules (1-9), aux exercices interactifs, aux quiz et au certificat de complétion.

RAG — Retrieval-Augmented Generation

Le Pipeline RAG

Stratégies de Chunking

Le Défi de l'Ingénierie de Contexte

Limitations

Testez Votre Compréhension

Prochaines Étapes

Aperçu de l'Atelier

Régler Votre Système RAG

Évaluation : Votre RAG Est-Il Bon ?

Problèmes Courants et Solutions

Passer à l'Échelle

Testez Votre Compréhension

Continuez votre apprentissage

AI Agents & Autonomous Systems

Weekly AI Insights