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

Format 1 : Demi-journée (3h30)

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

Format 2 : Journée complète (6h30)

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)
  • • Introduction complète à RAG (architecture, typologies)
  • • 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”
    Prompt design guide for RAG context
  • • Recommandations d’outillage pour mise en prod (serveurs, bases vectorielles, sécurisation)

Plus d'informations ? Contact Sophie!

Sophie (2)