RAG et systèmes de connaissances
RAG personnel, récupération en production, segmentation, autorisations, ingestion et délimitation des sources.
13 contenus (7 articles · 6 vidéos)
Commencez ici
Quelques bons contenus pour débuter avant de parcourir l’ensemble du flux.
10 min de lectureCréez votre propre RAG : dialoguez avec vos documents
Créez et évaluez un assistant délimité, fondé sur des documents. Comparez carnets hébergés, espaces de projet et récupération configurable sans affaiblir la provenance ni les autorisations.
Intermédiaire
10 min de lectureRAG sur les connaissances d'entreprise : autorisations, fuites et périmètres des sources
Un assistant exploitant les connaissances de l'entreprise n'est sûr que si la récupération respecte les autorisations. Comment concevoir les périmètres des sources RAG, le filtrage par ACL, la responsabilité documentaire, la journalisation, la gestion des sources obsolètes et les refus ?
AvancéPlus de contenus sur ce thème
9 min de lectureUn système de connaissances personnelles pour retrouver plutôt qu’accumuler
Un système délimité, de la collecte à la récupération, avec des usages explicites, des tests de récupération, des dates de révision, des règles de suppression et des avertissements sur les notes sensibles, les données d’autrui et les comptes hébergés par un fournisseur.
Intermédiaire
20 minutesAutorisations et contrôle d'accès pour RAG - tutoriel approfondi
Paragon. Elle décrit le problème des autorisations dans un RAG en production et compare les appels d'outils, les espaces de noms, les tables de listes de contrôle d'accès et les autorisations fondées sur les relations. Elle appuie directement la règle centrale de l'article : la recherche ne doit restituer que les sources auxquelles l'utilisateur actuel a le droit d'accéder, et les autorisations du système source ne peuvent pas être ajoutées après coup.
Avancé
7 minutesAméliorez votre RAG et vos agents d'IA avec Docling
IBM Technology. Elle présente la phase d'ingestion du RAG et des agents : préparer les PDF et autres fichiers pour préserver la structure du document, les tableaux et la mise en page jusque dans la recherche en aval. Elle confirme l'avertissement de l'article : la qualité et la sécurité d'un RAG se jouent avant la création des embeddings, surtout lorsqu'il faut analyser des documents métier complexes.
Avancé
11 min de lectureIngestion sécurisée de documents pour le RAG : PDF, OCR, métadonnées et conservation
La qualité du RAG se joue avant la recherche documentaire. Ce guide couvre l’ingestion sécurisée des PDF, l’OCR, les métadonnées, les autorisations, la fraîcheur des sources, la suppression, le risque de logiciels malveillants et les responsabilités opérationnelles.
Avancé
11 min de lectureConcevoir un agent d’IA pour le service client : triage, connaissances, actions et escalade
Un modèle de référence évalué sur la file pour le triage, la récupération, la rédaction de réponses, les actions contrôlées et l'escalade humaine, avec les limites de politique et de mesure requises pour un pilote sûr.
Intermédiaire
11 min de lectureCréez votre premier agent d’IA dans n8n : un flux de qualification des prospects de bout en bout
Une conception documentée de la qualification des prospects dans n8n : validez les entrées, limitez les outils de l’agent, contrôlez la sortie structurée, enregistrez la proposition de manière atomique et soumettez toute action visible par le client à une approbation.
Intermédiaire
12 min de lectureChoisir entre le prompting, le RAG et le fine-tuning (et quand les combiner)
Le prompting, le RAG et le fine-tuning sont les trois principaux leviers permettant d’adapter un LLM à votre problème. Chacun convient à certaines situations et non à d’autres. Voici un cadre de décision, leurs coûts réels et les architectures de production où leur combinaison excelle.
Avancé
11 minutesComment utiliser NotebookLM pour les débutants en 2024 (tutoriel NotebookLM)
TheAIGRID. Cet ancien parcours centré sur les fonctionnalités montre l'importation de sources mixtes, le ciblage d'une source, les notes de synthèse et les résumés audio de l'interface de l'époque. Il sert à reconnaître les composants du flux, pas à confirmer l'interface ou les fonctionnalités actuelles de Gemini Notebook.
Intermédiaire
26 minutesComment utiliser NotebookLM (l'outil de Google pour comprendre)
Tiago Forte. Tiago Forte, auteur de *Building a Second Brain*, présente le produit alors nommé NotebookLM avec des notes, des PDF et des extraits. Le schéma utile consiste à sélectionner un corpus délimité, poser des questions documentaires, examiner les passages liés et décider comment les artefacts obtenus s'intègrent à un flux de connaissances existant.
Intermédiaire
9 minutesRAG ou fine-tuning
IBM Technology. Cette vidéo se concentre sur les deux techniques que les équipes confondent le plus souvent. Elle approfondit la fraîcheur des données, l’attribution des sources et l’avantage de vitesse à l’inférence que peut apporter le fine-tuning. Elle mérite d’être regardée si vous cherchez précisément à déconseiller un projet de fine-tuning inutile.
Avancé
13 minutesRAG, fine-tuning ou ingénierie des prompts : optimiser les modèles d’IA
IBM Technology. Cette présentation claire au tableau blanc compare les trois techniques et leurs coûts respectifs — latence de récupération, calcul nécessaire à l’entraînement, oubli catastrophique et limites des solutions fondées uniquement sur les prompts — ainsi que les combinaisons réellement pertinentes en production. L’exemple final d’un système d’IA juridique utilisant les trois correspond presque exactement à l’argument « quand les combiner » de l’article.
Avancé