RAG

La Retrieval-Augmented Generation (RAG) est une tâche dans le domaine du Traitement Automatique des Langues Naturelles qui combine les forces des modèles de recherche et des modèles génératifs. La RAG utilise un système de recherche pour sélectionner des documents ou des passages pertinents à partir d'un grand corpus, puis fait appel à un modèle génératif (généralement un modèle de langage neuronal) pour générer des réponses basées sur ces informations récupérées. Cette approche améliore la précision et la cohérence du texte généré, en particulier pour des tâches telles que la réponse à des questions en domaine ouvert, les dialogues fondés sur des connaissances et la synthèse d'informations. Elle intègre efficacement des informations externes, réduisant ainsi la dépendance aux connaissances mémorisées et améliorant la qualité des réponses en fonction des informations les plus récentes ou spécifiques à un domaine. Les performances des systèmes RAG sont généralement évaluées à l'aide de métriques telles que la précision, le rappel, le score F1, le score BLEU et le taux de correspondance exacte.