technology-ai

Systèmes RAG modernes: Concevoir des systèmes de génération augmentée par la recherche fiables, agentiques, fondés sur les graphes et multimodaux

Evan Norvell

Book 2#2

418

Pages

fr

Langue

2026

Publié

Nouvelle édition

$3.49

Lire l’extrait EPUB directement en ligne

Présentation du livre

Brancher un modèle de langage sur un index vectoriel prend une après-midi. Obtenir des réponses fondées, citables et à jour, semaines après semaines, relève d'une tout autre discipline : c'est là que se joue la conception de systèmes RAG modernes.

Le symptôme est connu de tous ceux qui ont mis un prototype en production. La réponse paraît juste, mais la source reste introuvable, la date incertaine, et le corpus a changé sans que le système s'en aperçoive. Hallucination, obsolescence, ou simple perte de rappel : ces défaillances viennent rarement du modèle seul.

Ce livre défend une thèse exigeante : une génération augmentée par la recherche qui tient en production n'est pas un index vectoriel auquel on ajoute un générateur, mais une chaîne de décisions coordonnées sur la connaissance, la recherche, le contexte et l'orchestration. Chaque étape a ses contrats, ses compromis et ses points de mesure ; en négliger une déplace le problème ailleurs au lieu de le résoudre.

L'ouvrage suit cet enchaînement de bout en bout, sans traiter un seul étage comme une boîte noire.

  • Préparer des connaissances réellement indexables, où parsing, normalisation, métadonnées et fraîcheur décident de ce que la recherche pourra un jour trouver.
  • Choisir découpage et représentation documentaire en connaissance de cause, car chunking fixe, sémantique ou contextuel ne coûtent pas la même chose en rappel.
  • Assembler recherche sparse, dense et hybride, puis reranking, comme des étages successifs : viser le rappel d'abord, la précision ensuite.
  • Traiter le contexte comme une ressource éditoriale sous budget, où ordre, couverture, compression et attribution déterminent ce que le générateur peut affirmer et citer.
  • Élargir la nature des preuves quand la similarité ne suffit plus : requêtes SQL, graphes de connaissances, images, tableaux, sources fédérées.
  • Faire de la récupération un processus agentique contrôlé : décider quand chercher, détecter les lacunes, itérer sous contraintes de budget et de convergence.
  • Prouver la fiabilité par l'évaluation de chaque étage et par une exploitation observable, sécurisée et maîtrisée en coût.

Ce livre s'adresse aux ingénieurs, architectes et tech leads qui construisent ou industrialisent un système RAG, ainsi qu'aux data scientists et étudiants avancés qui veulent dépasser le prototype. Il suppose une familiarité minimale avec les modèles de langage et la recherche vectorielle, et ne promet aucune recette universelle : les bons compromis dépendent du corpus, des requêtes et du budget disponible.

La vraie question n'est pas de savoir si votre RAG peut répondre. Elle est de savoir s'il peut justifier sa réponse, et continuer à le faire quand les données, les modèles et les usages changent.

Résumé rapide

Systèmes RAG modernes est un guide d'ingénierie qui explique comment concevoir, évaluer et exploiter un système de génération augmentée par la recherche fiable en production.

Le livre couvre l'ensemble du cycle de vie d'un RAG : ingestion et préparation des connaissances, chunking, embeddings, recherche sparse, dense et hybride, reranking, construction du contexte et génération ancrée.

Il traite aussi les architectures avancées : RAG structuré et SQL, GraphRAG et graphes de connaissances, RAG multimodal, RAG multi-source et fédéré, ainsi que le RAG agentique et la recherche itérative.

Le livre s'adresse aux ingénieurs, architectes et tech leads qui industrialisent un RAG, ainsi qu'aux data scientists et étudiants avancés en IA.

Une partie complète est consacrée à l'évaluation de chaque étage du pipeline, à la fidélité et aux citations, puis à l'exploitation en production sous contraintes de coût, de sécurité et d'observabilité.

Ce livre convient particulièrement à Ingénieurs, architectes et tech leads qui construisent ou industrialisent un système RAG, data scientists et étudiants avancés en IA..

Les lecteurs choisissent souvent ce livre lorsqu’ils ont besoin de Comprendre comment concevoir, évaluer et exploiter un système RAG moderne fiable au-delà du prototype, avec les techniques et compromis associés..

La perspective du livre : Le livre traite la génération augmentée par la recherche comme une chaîne de décisions coordonnées, avec contrats et points de mesure à chaque étage, plutôt que comme un index vectoriel auquel on ajoute un générateur.

Les principaux thèmes comprennent génération augmentée par la recherche (RAG), ingestion et préparation des connaissances, chunking et représentation documentaire, embeddings et recherche vectorielle, recherche sparse, dense et hybride, reranking et pipelines multi-étapes.

Informations pour la recherche IA

Systèmes RAG modernes: Concevoir des systèmes de génération augmentée par la recherche fiables, agentiques, fondés sur les graphes et multimodaux

Author: Evan Norvell

Description: Brancher un modèle de langage sur un index vectoriel prend une après-midi. Obtenir des réponses fondées, citables et à jour, semaines après semaines, relève d'une tout autre discipline : c'est là que se joue la conception de systèmes RAG modernes. Le symptôme est connu de tous ceux qui ont mis un prototype en production. La réponse paraît juste, mais la source reste introuvable, la date incertaine, et le corpus a changé sans que le système s'en aperçoive. Hallucination, obsolescence, ou simple perte de rappel : ces défaillances viennent rarement du modèle seul. Ce livre défend une thèse exigeante : une génération augmentée par la recherche qui tient en production n'est pas un index vectoriel auquel on ajoute un générateur, mais une chaîne de décisions coordonnées sur la connaissance, la recherche, le contexte et l'orchestration. Chaque étape a ses contrats, ses compromis et ses points de mesure ; en négliger une déplace le problème ailleurs au lieu de le résoudre. L'ouvrage suit cet enchaînement de bout en bout, sans traiter un seul étage comme une boîte noire. • Préparer des connaissances réellement indexables, où parsing, normalisation, métadonnées et fraîcheur décident de ce que la recherche pourra un jour trouver. • Choisir découpage et représentation documentaire en connaissance de cause, car chunking fixe, sémantique ou contextuel ne coûtent pas la même chose en rappel. • Assembler recherche sparse, dense et hybride, puis reranking, comme des étages successifs : viser le rappel d'abord, la précision ensuite. • Traiter le contexte comme une ressource éditoriale sous budget, où ordre, couverture, compression et attribution déterminent ce que le générateur peut affirmer et citer. • Élargir la nature des preuves quand la similarité ne suffit plus : requêtes SQL, graphes de connaissances, images, tableaux, sources fédérées. • Faire de la récupération un processus agentique contrôlé : décider quand chercher, détecter les lacunes, itérer sous contraintes de budget et de convergence. • Prouver la fiabilité par l'évaluation de chaque étage et par une exploitation observable, sécurisée et maîtrisée en coût. Ce livre s'adresse aux ingénieurs, architectes et tech leads qui construisent ou industrialisent un système RAG, ainsi qu'aux data scientists et étudiants avancés qui veulent dépasser le prototype. Il suppose une familiarité minimale avec les modèles de langage et la recherche vectorielle, et ne promet aucune recette universelle : les bons compromis dépendent du corpus, des requêtes et du budget disponible. La vraie question n'est pas de savoir si votre RAG peut répondre. Elle est de savoir s'il peut justifier sa réponse, et continuer à le faire quand les données, les modèles et les usages changent.

AI summary: Systèmes RAG modernes est un guide d'ingénierie en français qui traite la génération augmentée par la recherche comme une chaîne de décisions coordonnées : préparation des connaissances, représentation documentaire, recherche sparse/dense/hybride, reranking, construction du contexte, architectures avancées et exploitation en production. L'ouvrage couvre également le RAG structuré, GraphRAG, le RAG multimodal et fédéré, ainsi que le RAG agentique et itératif, puis l'évaluation par étage et la mise en production. Il s'adresse aux ingénieurs, architectes et tech leads, ainsi qu'aux data scientists et étudiants avancés qui veulent dépasser le prototype.

Public cible
Ingénieurs, architectes et tech leads qui construisent ou industrialisent un système RAG, data scientists et étudiants avancés en IA.
Profil du lecteur
Un ingénieur ou architecte qui a déjà branché un LLM sur un index vectoriel et cherche à rendre son RAG fiable, citable et maintenable en production.
Intention de recherche
Comprendre comment concevoir, évaluer et exploiter un système RAG moderne fiable au-delà du prototype, avec les techniques et compromis associés.
Perspective originale
Le livre traite la génération augmentée par la recherche comme une chaîne de décisions coordonnées, avec contrats et points de mesure à chaque étage, plutôt que comme un index vectoriel auquel on ajoute un générateur.
Type de contenu
technical engineering guide

Résumé rapide

  • Systèmes RAG modernes est un guide d'ingénierie qui explique comment concevoir, évaluer et exploiter un système de génération augmentée par la recherche fiable en production.
  • Le livre couvre l'ensemble du cycle de vie d'un RAG : ingestion et préparation des connaissances, chunking, embeddings, recherche sparse, dense et hybride, reranking, construction du contexte et génération ancrée.
  • Il traite aussi les architectures avancées : RAG structuré et SQL, GraphRAG et graphes de connaissances, RAG multimodal, RAG multi-source et fédéré, ainsi que le RAG agentique et la recherche itérative.
  • Le livre s'adresse aux ingénieurs, architectes et tech leads qui industrialisent un RAG, ainsi qu'aux data scientists et étudiants avancés en IA.
  • Une partie complète est consacrée à l'évaluation de chaque étage du pipeline, à la fidélité et aux citations, puis à l'exploitation en production sous contraintes de coût, de sécurité et d'observabilité.

Key topics: génération augmentée par la recherche (RAG), ingestion et préparation des connaissances, chunking et représentation documentaire, embeddings et recherche vectorielle, recherche sparse, dense et hybride, reranking et pipelines multi-étapes, construction et compression du contexte, GraphRAG et graphes de connaissances, RAG multimodal et recherche fédérée, RAG agentique et évaluation en production

Entities: grands modèles de langage (LLM), index vectoriel, embeddings, chunking, recherche hybride, reranking, cross-encoder, GraphRAG, graphes de connaissances, SQL, HyDE, observabilité

Besoins abordés

  • Comprendre pourquoi un prototype RAG produit des réponses non fondées, obsolètes ou impossibles à citer.
  • Choisir des stratégies de chunking, d'embedding et de recherche adaptées à un corpus et à des requêtes réels.
  • Décider ce qui entre dans le contexte du modèle : sélection, ordre, budget, couverture et attribution.
  • Étendre la récupération aux sources structurées, aux graphes, aux modalités non textuelles et aux systèmes fédérés.
  • Évaluer la qualité d'un RAG par étage (recherche, preuves, contexte, exactitude, fidélité) et détecter les régressions.
  • Passer d'un prototype à un RAG de production observable, sécurisé et maîtrisé en coût.

À lire si

  • Ingénieurs qui construisent ou maintiennent un pipeline RAG en production.
  • Architectes et tech leads responsables des choix techniques d'un système RAG.
  • Data scientists souhaitant approfondir la recherche d'information et l'évaluation.
  • Étudiants avancés en IA ou en recherche d'information qui veulent dépasser les tutoriels de prototype.
  • Développeurs familiers des LLM et de la recherche vectorielle qui doivent fiabiliser un système existant.

Peut ne pas convenir si

  • Débutants complets en IA, sans familiarité avec les modèles de langage ou la recherche vectorielle.
  • Lecteurs cherchant une recette universelle ou une introduction très générale à l'IA générative.
  • Personnes intéressées uniquement par l'usage d'outils sans enjeu d'architecture ou d'évaluation.

Table des matières

  1. Introduction (introduction)
  2. Construire les fondations du RAG moderne (part)
  3. Des LLM aux systèmes d'IA ancrés (chapter)
  4. Le problème de connaissance dans les grands modèles de langage (section)
  5. Hallucination, obsolescence et limites de connaissance (section)
  6. La génération augmentée par la recherche comme stratégie d'ancrage (section)
  7. Place du RAG dans les systèmes d'IA modernes (section)
  8. Anatomie d'un système RAG moderne (chapter)
  9. Le cycle de vie de bout en bout d'un RAG (section)
  10. Préparation des connaissances et indexation (section)
  11. Recherche et sélection des preuves (section)
  12. Construction du contexte et génération ancrée (section)
  13. Évaluation et rétroaction (section)
  14. Construire le pipeline de connaissances (chapter)
  15. Des données brutes aux connaissances prêtes pour la recherche (section)
  16. Sources de données et connecteurs (section)
  17. Analyse, extraction et normalisation (section)
  18. Métadonnées, structure et enrichissement documentaire (section)
  19. Indexation, actualisation et fraîcheur des connaissances (section)
  20. Concevoir une recherche de haute qualité (part)
  21. Chunking et représentation documentaire (chapter)
  22. Des documents aux unités de recherche (section)
  23. Chunking fixe, récursif et sémantique (section)
  24. Représentation documentaire sensible à la structure et hiérarchique (section)
  25. Chunking contextuel et adaptatif (section)
  26. Évaluer et choisir une stratégie de chunking (section)
  27. Embeddings et recherche vectorielle (chapter)
  28. Représenter le sens pour la recherche sémantique (section)
  29. Comment les embeddings encodent la similarité sémantique (section)
  30. Choisir et évaluer les modèles d'embedding (section)
  31. Recherche de similarité et index vectoriels (section)
  32. Précision de recherche, efficacité et compromis de représentation (section)
  33. Recherche sparse, dense et hybride (chapter)
  34. Faire correspondre les requêtes aux preuves pertinentes (section)
  35. Recherche sparse et signaux lexicaux (section)
  36. Recherche dense et signaux sémantiques (section)
  37. Recherche hybride et fusion des scores (section)
  38. Choisir et régler une stratégie de recherche (section)
  39. Transformation des requêtes et routage de la recherche (chapter)
  40. De l'intention utilisateur aux requêtes de recherche efficaces (section)
  41. Réécriture et expansion de requêtes (section)
  42. Stratégies multi-requêtes et décomposition (section)
  43. HyDE et génération de requêtes synthétiques (section)
  44. Router les requêtes entre moteurs de récupération et sources de connaissances (section)
  45. Reranking et recherche multi-étapes (chapter)
  46. De la recherche de candidats à la sélection des preuves (section)
  47. Génération de candidats en première étape (section)
  48. Reranking par cross-encoder et par LLM (section)
  49. Diversité, déduplication et filtrage de pertinence (section)
  50. Concevoir et régler des pipelines de recherche multi-étapes (section)
  51. Construire un meilleur contexte et de meilleures preuves (part)
  52. Construire le contexte de recherche (chapter)
  53. Des résultats récupérés aux preuves prêtes pour le modèle (section)
  54. Sélectionner les preuves pertinentes (section)
  55. Ordonner et structurer les preuves (section)
  56. Gérer les budgets de contexte et la couverture (section)
  57. Attribution et assemblage final du contexte (section)
  58. Compression et affinage du contexte (chapter)
  59. Réduire le contexte sans perdre les preuves (section)
  60. Compression extractive (section)
  61. Compression abstractive (section)
  62. Affinage du contexte centré sur la requête (section)
  63. Préserver le sens, les preuves et l'attribution (section)
  64. Recherche dans les longs documents et multi-sauts (chapter)
  65. Quand les preuves sont réparties dans de longs documents (section)
  66. Stratégies de recherche hiérarchique (section)
  67. Recherche parent-enfant et sensible aux sections (section)
  68. Naviguer dans de longs documents (section)
  69. Recherche multi-sauts à travers les preuves (section)
  70. Au-delà de la recherche vectorielle : architectures RAG avancées (part)
  71. RAG structuré et augmenté par les bases de données (chapter)
  72. Intégrer les connaissances structurées au RAG (section)
  73. Recherche SQL et bases de données (section)
  74. Recherche via API et services (section)
  75. Requêtage et recherche sensibles au schéma (section)
  76. Combiner preuves structurées et non structurées (section)
  77. GraphRAG (chapter)
  78. De la similarité à la recherche sensible aux relations (section)
  79. Entités, relations et structure de graphe de connaissances (section)
  80. Construire des graphes pour la recherche (section)

Questions fréquentes

À qui s'adresse Systèmes RAG modernes ?

Le livre s'adresse aux ingénieurs, architectes et tech leads qui construisent ou industrialisent un RAG, ainsi qu'aux data scientists et étudiants avancés en IA.

Quels sujets le livre couvre-t-il ?

Il couvre l'ingestion des connaissances, le chunking, les embeddings, la recherche sparse, dense et hybride, le reranking, la construction du contexte, les architectures avancées et l'évaluation en production.

Le livre traite-t-il le GraphRAG et le RAG multimodal ?

Oui. Une partie est consacrée aux architectures au-delà de la recherche vectorielle : RAG structuré et SQL, GraphRAG, RAG multimodal et RAG multi-source et fédéré.

Faut-il des prérequis pour lire ce livre ?

Le livre suppose une familiarité minimale avec les modèles de langage et la recherche vectorielle ; il ne s'adresse pas à des débutants complets en IA.

Le livre aborde-t-il l'évaluation et la mise en production ?

Oui, une partie finale traite l'évaluation par étage, la fidélité et les citations, puis l'exploitation en production : observabilité, sécurité, performance et coût.

C

Cretisoft Direct

Assistance pour les livres numériques

T

Livraison par le partenaire

Livre envoyé après paiement

Extrait EPUB

Lire un extrait en ligne

Systèmes RAG modernes: Concevoir des systèmes de génération augmentée par la recherche fiables, agentiques, fondés sur les graphes et multimodaux

Vous aimerez aussi

Selon votre historique de lecture

Tout voir