La technologie RAG : principes, cas d’usage et mise en œuvre

Objectifs:

• • Comprendre le fonctionnement de l’architecture RAG
• • Identifier les cas d’usage pertinents (FAQ, chatbot, assistant métier)
• • Mettre en œuvre un RAG simple avec des outils accessibles (OpenAI, LangChain, ou LlamaIndex)

Programme :

1. Introduction à RAG (45 min)

• • Qu’est-ce qu’un RAG ?→ Principe : recherche documentaire + génération de réponse
• • Pourquoi le RAG ? Limites des LLM classiques (hallucinations, contexte limité…)
• • Architecture : composants clés (indexation, retrieval, prompt injection)

2. Cas d’usage concrets (45 min)

• • Chatbot d’assistance interne sur une base documentaire RH ou juridique
• • Recherche intelligente sur des PDF métiers
• • FAQ dynamique sur un corpus produit
• • RAG pour analyser des retours clients ou tickets support

3. Mise en œuvre simple d’un RAG (1h30)

• Exemple 1: RAG avec OpenAI + fichiers PDF (via LangChain ou LlamaIndex) — Étapes :
• • Ingestion et vectorisation d’un document (ex. base RH, documentation produit)
• • Embedding via OpenAI ou HuggingFace
• • Stockage en vecteurs (Chroma, FAISS…)
• • Interrogation et réponse avec un LLM
• Démonstration live ou atelier selon le niveau des participants

4. Points de vigilance (30 min)

• • RGPD, sécurité des données indexées
• • Qualité des réponses : re-ranking, chunking, mise à jour du corpus
• • Infrastructure et limites

Objectifs supplémentaires :

• • Apprendre à construire un RAG de bout en bout avec son propre corpus
• • Tester différentes stratégies de vectorisation, scoring et prompts
• • Aborder les notions d’évaluation et d’amélioration continue

Programme :

Matinée :

• • Introduction complète à RAG (architecture, typologies)
• • Cas d'usage étendus avec démonstrations
• • Atelier pratique : création d’un mini-RAG sur des documents métiers (PDF, Word, site web)
• • Outils : LangChain ou LlamaIndex (selon préférences ou niveau)

Après-midi :

• 4. Optimisation du RAG
• • Ajuster la taille des chunks et l’overlap
• • Tuning des prompts de contexte
• • Ajouter un système de feedback ou de vote utilisateur
• Cas avancé :
• • RAG multi-sources (documents + base de données + API)
• • Intégration dans un assistant ou chatbot (via Streamlit, Gradio ou front perso)
• • Atelier final en groupes : conception et démo d’un prototype de RAG appliqué à un cas métier réel (RH, support, juridique, etc.)
• Debrief & prochaines étapes :
• • Héberger un RAG
• • Évaluer la qualité des réponses
• • Mettre en production (côté API / front)

Livrables :

• • Templates de workflows RAG (LangChain / LlamaIndex)
• • Corpus de test (PDF, FAQ, docs)
• • Tutoriels pas-à-pas : ingestion, vectorisation, interrogation
• • Guide “Structurer un bon prompt de contexte pour le RAG”
• • Recommandations d’outillage pour mise en prod (serveurs, bases vectorielles, sécurisation)