"Alors, qu'est-ce que RAG exactement ? En termes simples, cela signifie "Retrieval-Augmented Generation" (Génération Augmentée par Récupération). Concentrons-nous sur ces deux aspects : la récupération et la génération. Avec l'IA générative (GenAI) standard, vous fournissez une requête, et une application GenAI utilise un grand modèle linguistique pour élaborer une réponse appropriée à cette requête. Maintenant, imaginez une application capable de récupérer des informations à partir de diverses sources, puis de générer une réponse basée sur les informations récupérées. C'est exactement ainsi que fonctionne une GenAI RAG. Elle fournit un contexte à l'exemple généré. Explorons cela plus en détail avec un exemple. Si nous posons une question comme "Quelle est la meilleure façon de sauvegarder ma base de données client ?" à une application GenAI, elle répondra probablement avec des informations génériques. Elle ne connaîtra pas les détails de la base de données client dont je parle. Maintenant, supposons que j'aie un document de conception avec tous les détails. Il contient une section sur les magasins de données et liste explicitement la base de données client, hébergée sur Amazon DynamoDB. Le document de conception est téléchargé sur le SharePoint de mon organisation. Ainsi, l'application effectuera d'abord une récupération d'informations contextuelles à partir de SharePoint, enrichira la requête avec les informations récupérées, puis générera une réponse basée sur cela. Dans ce cas, l'application fournira des stratégies pour sauvegarder une base de données DynamoDB et me dirigera vers les sections pertinentes de mon document de conception."