Glossaire IA

Base de connaissances vectorielle

Stockage spécialisé optimisé pour les embeddings, permettant des recherches de similarité sémantique rapides à grande échelle via des index comme HNSW ou IVF.

HyDE (Hypothetical Document Embeddings)

Technique avancée où le LLM génère d'abord un document hypothétique idéal, puis utilise son embedding pour guider la recherche vers des documents réellement pertinents.

Reranking croisé

Méthode d'évaluation de la pertinence où le modèle traite simultanément la requête et le document candidat, contrairement à l'approche bi-encodeur standard.

Décomposition de requête

Stratégie où une requête complexe est automatiquement décomposée en sous-requêtes plus simples pour améliorer la précision de la récupération d'information multi-facettes.

RAG synchrone vs asynchrone

Distinction entre l'approche synchrone (recherche et génération dans le même appel) et asynchrone (pré-indexation et récupération en temps réel) selon les contraintes de latence.

Façonnage de prompt (Prompt Shaping)

Art d'optimiser la structure du prompt RAG, incluant le placement des contextes récupérés, les instructions de formatage et les contraintes de citation pour maximiser la qualité de réponse.

RAG à plusieurs sauts

Architecture avancée où le modèle effectue plusieurs cycles de récupération-génération, utilisant les réponses intermédiaires pour affiner et approfondir la recherche d'information.

Base de connaissances dynamique

Système RAG où la base de documents est continuellement mise à jour en temps réel, permettant des réponses toujours actuelles sans nécessiter de réentraînement du modèle.

RAG agnostique au domaine

Approche où le système de récupération est conçu pour fonctionner efficacement sur n'importe quel domaine sans adaptation spécifique, grâce à des embeddings et des stratégies de recherche généralistes.

Citation de sources

RAG hiérarchique

Architecture multi-niveaux où la récupération s'effectue d'abord sur des résumés ou métadonnées, puis sur les documents détaillés pertinents pour optimiser la vitesse et la pertinence.

Fusion de contextes

Processus d'intégration intelligente de multiples documents récupérés dans un prompt cohérent, évitant les redondances et maximisant la complémentarité des informations.

RAG avec mémoire

Extension du RAG standard où le système maintient une mémoire des interactions précédentes pour contextualiser les récupérations futures et assurer une cohérence conversationnelle.