🗝️Dans le monde de l’#IA, #ChatGPT et #LLM étaient les acronymes de 2023. Celui de 2024 sera #RAG. Il annonce un climat d’adoption massive de la technologie par les entreprises. Voilà ce qu’est le RAG et ce que ça va changer.
🎣RAG veut dire Retrieval Augmented Generation. Voilà, vous savez tout. La semaine prochaine, nous découvrirons le RL. Blague à part, décortiquons un peu tout ça.
🚴♂️Les Grands Modèles de Langue (LLM) comme #GPT, sont entraînés grâce à des données textuelles massives. Elles sont passées à travers leurs réseaux de #neurones qui les modélisent pour en faire de l’intelligence numérique.
🧠Les LLM sont donc d’excellents moteurs d’intelligence capables de produire des réponses simulant des raisonnements poussés.
🤔Cependant, ils ont une contrainte importante : ils ne peuvent s’appuyer que sur leurs données d’entrainement et ne peuvent fournir de réponses portant sur des données externes et/ou à jour. GPT ne pourra pas répondre à des questions portant sur la documentation des produits spécifiques d’une entreprise.
👻Même pour des questions portant sur les données d’entrainement, le LLM pourra parfois "#halluciner" des réponses fausses.
💡C’est un peu comme les humains. Vous pouvez avoir appris une information et vous tromper quand même parce que votre souvenir n’est plus très précis. L’encodage de la #donnée dans un réseau de neurones, biologique ou artificiel, ce n’est pas la donnée elle-même.
🧠Bref, un LLM n’est pas un moteur de recherche ni une base de données : c’est un moteur d’intelligence uniquement !
✨Le RAG permet de dépasser cette limite pour avoir le meilleur des deux mondes : l’intelligence des LLM + le #factuel de la donnée.
🌉L’idée est simple : interfacer un LLM avec une base de données.
🧮En pratique il faut que les données soient "vectorisées", c’est-à-dire stockées sous une forme mathématique qui en exprime le sens.
🔮Quand l’utilisateur pose une question à un système RAG, l’IA effectue une recherche #sémantique dans les données vectorisées, récupère ce qui est pertinent, l’intègre au #prompt de l’utilisateur et répond grâce à son LLM en fondant sa réponse sur les données.
🏭Une entreprise peut par exemple faire du RAG à partir de toute sa documentation produit. Un utilisateur posant des questions sur ses produits obtiendrait des réponses factuelles et fondées sur la documentation.
🎡C’est très puissant, pas trop difficile à mettre en œuvre, et, contrairement au #finetuning, c’est très durable : on peut mettre à jour la donnée et changer le LLM au fur et à mesure des améliorations technologiques.
🛸Les systèmes RAG vont devenir la norme pour s’interfacer avec tout types de données et faire du langage naturel l’interface privilégiée avec l’ensemble du monde #numérique. C’est l’équivalent du site web lors de l’arrivée d’#internet, tout le monde va avoir le sien ! Si vous êtes une entreprise, inscrivez "RAG" dans votre #stratégie 2024.
Image avec Midjourney
#AI #deeplearning
