WEBVTT

00:00:00.000 --> 00:00:04.040
Le sujet d'aujourd'hui est quelque chose dont presque tout le monde a entendu parler mais que presque personne ne peut expliquer simplement.

00:00:04.480 --> 00:00:06.420
Le RAG, la génération augmentée par récupération.

00:00:06.860 --> 00:00:10.860
Vous avez vu cet acronyme partout, dans les annonces de Microsoft, lors de conférences sur l'IA, dans des articles de blog.

00:00:11.180 --> 00:00:12.300
Mais que signifie-t-il vraiment ?

00:00:12.300 --> 00:00:14.100
Plus important encore, pourquoi devriez-vous vous en soucis ?

00:00:14.100 --> 00:00:14.700
Voici la situation.

00:00:15.040 --> 00:00:17.200
Les grands modèles de langage comme GPT-4O sont puissants.

00:00:17.960 --> 00:00:20.700
Ils peuvent rédiger des essais, résumer des documents, voire générer du code.

00:00:21.100 --> 00:00:22.360
Mais ils posent deux problèmes majeurs.

00:00:23.040 --> 00:00:24.460
Premièrement, leurs connaissances sont figées dans le temps.

00:00:24.680 --> 00:00:27.400
Faisez une question à ChatGPT sur un événement survenu hier et il n'en aura aucune idée.

00:00:27.400 --> 00:00:32.720
Deuxièmement, ces modèles n'ont jamais vu les données internes de votre entreprise, vos politiques, vos détails produits, vos emails clients.

00:00:33.480 --> 00:00:36.040
Ainsi, lorsque vous posez une question sur votre activité à un LLM, ils devinent.

00:00:36.500 --> 00:00:38.400
C'est là qu'intervient la génération augmentée par récupération.

00:00:38.880 --> 00:00:40.980
Le RAG n'est pas un nouveau modèle, ce n'est pas un GPT plus gros ou meilleur.

00:00:41.440 --> 00:00:42.540
C'est une approche totalement différente.

00:00:43.440 --> 00:00:46.180
Au lieu de demander au LLM de puiser ses réponses dans sa mémoire d'entraînement,

00:00:46.520 --> 00:00:50.880
le RAG recherche d'abord les bonnes informations dans vos propres données et les fournit au modèle avec la question.

00:00:52.140 --> 00:00:57.220
Le modèle utilise alors ce contexte pour vous donner des réponses basées sur du contenu réel et à jour, et non sur des suppositions.

00:00:57.840 --> 00:01:00.660
Sans le RAG, votre IA travaille à partir d'une mémoire vieille de plusieurs mois ou années.

00:01:01.120 --> 00:01:03.300
Avec le RAG, elle travaille à partir de vos documents actuels.

00:01:04.140 --> 00:01:06.500
C'est la différence entre une IA qui semble confiante mais qui peut avoir tort,

00:01:06.680 --> 00:01:08.740
et une IA qui vous montre exactement d'où vient sa réponse.

00:01:09.540 --> 00:01:10.700
Voici ce que nous allons aborder aujourd'hui.

00:01:11.120 --> 00:01:13.340
D'abord, nous examinerons les deux problèmes qui rendent le RAG nécessaire.

00:01:13.860 --> 00:01:17.220
Ensuite, nous détaillerons ce qu'est réellement le RAG, la récupération, l'augmentation et la génération.

00:01:17.880 --> 00:01:23.220
Puis, nous passerons en revue les services Azure Clé, Azure AI Search, Azure Open AI et Azure AI Foundry.

00:01:23.820 --> 00:01:26.480
Et nous terminerons par un exemple concret pour que vous puissiez voir comment les pièces s'assemblent.

00:01:26.480 --> 00:01:28.160
Commençons par le problème lui-même.

00:01:28.640 --> 00:01:30.660
Une fois que vous l'aurez compris, la solution deviendra évidente.

00:01:31.520 --> 00:01:32.460
Les deux problèmes des LLM.

00:01:33.080 --> 00:01:34.940
Alors, quel est le problème avec les grands modèles de langage ?

00:01:34.940 --> 00:01:35.460
Deux choses, en vrai.

00:01:36.500 --> 00:01:37.780
Premièrement, leurs connaissances sont figées.

00:01:38.180 --> 00:01:38.660
Réfléchissez-y.

00:01:38.660 --> 00:01:43.400
Lorsque GPT-4O a été entraîné, il a appris à partir d'un instantané de l'Internet vieux de plusieurs mois ou années.

00:01:43.760 --> 00:01:46.640
Il ignore donc les nouveaux produits, les réglementations récentes ou l'actualité d'hier.

00:01:47.220 --> 00:01:49.200
Interrogez-le sur un changement de politique survenu la semaine dernière.

00:01:49.320 --> 00:01:50.020
Il n'a aucun moyen de le savoir.

00:01:50.660 --> 00:01:52.520
Cette information n'est tout simplement pas dans ces données d'entraînement.

00:01:52.520 --> 00:01:59.360
Deuxièmement, les LLM n'ont jamais vu vos données privées, vos documents internes, vos emails clients ou vos bases de données propriétaires.

00:01:59.940 --> 00:02:01.600
Le modèle n'a absolument aucun accès à tout cela.

00:02:02.200 --> 00:02:05.880
Donc, quand un employé pose une question sur vos processus métier spécifique, le modèle ne peut pas répondre.

00:02:06.340 --> 00:02:07.160
Il ne sait pas ce que vous savez.

00:02:07.620 --> 00:02:08.960
Certains pensent que le fine-tuning résout ce problème.

00:02:09.480 --> 00:02:11.760
Prenez le modèle de base et vous l'entraînez un peu plus sur vos propres données.

00:02:12.360 --> 00:02:13.620
Mais le fine-tuning a ses propres problèmes.

00:02:13.980 --> 00:02:14.400
C'est coûteux.

00:02:14.700 --> 00:02:16.860
Vous payez pour du temps GPU et des efforts d'ingénierie.

00:02:17.340 --> 00:02:18.380
Cela ne règle pas l'obsolescence.

00:02:18.380 --> 00:02:21.720
Une fois le fine-tuning effectué, le modèle reste figé à ce moment précis.

00:02:22.600 --> 00:02:25.820
Et il ne peut pas gérer les données qui changent fréquemment, comme les stocks ou les prix.

00:02:26.540 --> 00:02:28.660
Le fine-tuning, c'est comme apprendre un manuel par cœur.

00:02:29.480 --> 00:02:31.720
Utile, mais la personne ne pourra toujours pas consulter le journal du jour.

00:02:32.240 --> 00:02:33.200
La vraie solution est plus simple.

00:02:34.320 --> 00:02:38.940
Donnez au modèle accès à vos connaissances au moment où il doit répondre au lieu d'essayer de tout entasser dans sa mémoire.

00:02:39.800 --> 00:02:40.820
Ne le forcez pas à tout mémoriser.

00:02:41.260 --> 00:02:43.540
Laissez-le chercher des informations en temps réel, dans vos données réelles.

00:02:43.860 --> 00:02:44.420
C'est ce que fait la radio.

00:02:44.700 --> 00:02:45.860
Une idée simple, mais qui change tout.

00:02:46.940 --> 00:02:47.740
Ce qui est réellement le roge.

00:02:48.380 --> 00:02:49.580
Voici le RH en une seule phrase.

00:02:50.000 --> 00:02:52.520
Au lieu de demander au modèle de tirer une réponse de ces données d'entraînement,

00:02:52.700 --> 00:02:57.260
nous allons d'abord chercher l'information pertinente, puis nous la transmettons au modèle avec la question.

00:02:58.400 --> 00:02:59.100
C'est l'idée centrale.

00:02:59.580 --> 00:03:00.340
Trois étapes simples.

00:03:00.760 --> 00:03:02.440
Récupérer, augmenter et générer.

00:03:03.140 --> 00:03:04.240
Laissez-moi vous donner une analogie.

00:03:04.600 --> 00:03:05.380
Pensez à un bibliothécaire.

00:03:05.920 --> 00:03:07.680
Vous entrez dans une bibliothèque et vous posez une question.

00:03:08.120 --> 00:03:10.860
Vous n'attendez pas du bibliothécaire qu'il ait mémorisé chaque livre, n'est-ce pas ?

00:03:10.860 --> 00:03:11.620
Ce serait ridicule.

00:03:11.620 --> 00:03:15.680
Au lieu de cela, vous lui demandez de trouver le bon livre, de l'ouvrir à la bonne page et de vous lire la réponse.

00:03:15.980 --> 00:03:17.240
Le bibliothécaire ne mémorise rien.

00:03:18.000 --> 00:03:19.220
Il récupère d'abord et l'y est ensuite.

00:03:19.980 --> 00:03:21.000
Et c'est exactement ce que fait le RH.

00:03:21.720 --> 00:03:22.900
Récupération d'abord, génération ensuite.

00:03:23.260 --> 00:03:24.640
Voici comment cela fonctionne concrètement.

00:03:25.220 --> 00:03:26.200
Un utilisateur pose une question.

00:03:26.680 --> 00:03:30.460
Le système effectue alors une recherche dans une base de connaissances, vos documents, vos données, vos informations privées.

00:03:31.080 --> 00:03:35.660
Tout ce qu'il trouve est transmis au grand modèle de langage qui génère une réponse basée sur ce contexte.

00:03:36.040 --> 00:03:37.000
Et voici le point important.

00:03:37.400 --> 00:03:38.760
Le LLM ne voit jamais vos données brutes.

00:03:38.840 --> 00:03:40.880
Il ne voit que ce que le système de récupération lui transmet.

00:03:41.200 --> 00:03:41.860
Ce n'est pas un inconvénient.

00:03:42.260 --> 00:03:43.440
C'est même une fonctionnalité de sécurité.

00:03:43.440 --> 00:03:45.800
Vos documents sensibles restent dans votre propre stockage.

00:03:46.260 --> 00:03:50.100
Au moment de la requête, le modèle ne reçoit que les extraits nécessaires pour répondre à cette question précise.

00:03:50.620 --> 00:03:53.080
Pas d'entraînement sur vos données, pas de mémorisation, pas de fuite.

00:03:53.440 --> 00:03:54.620
Vos données restent là où elles doivent être.

00:03:55.040 --> 00:03:56.960
Si le RH résout les deux problèmes évoqués plus tôt,

00:03:57.500 --> 00:03:58.960
données obsolètes, ce n'est plus un problème.

00:03:59.360 --> 00:04:00.500
Votre base de connaissances reste à jour.

00:04:01.020 --> 00:04:01.460
Données privées.

00:04:01.880 --> 00:04:03.580
Le modèle ne voit que ce que vous choisissez de récupérer.

00:04:03.960 --> 00:04:05.900
C'est comme donner aux bibliothécaires accès à votre armoire à dossier,

00:04:05.900 --> 00:04:07.800
mais en ne laissant sortir que le dossier dont vous avez besoin,

00:04:07.860 --> 00:04:09.880
au moment précis dont vous avez besoin, au moment précis où vous en avez.

00:04:10.500 --> 00:04:12.040
Plongement vectoriel et recherche sémantique.

00:04:12.440 --> 00:04:14.320
Maintenant, vous vous demandez peut-être comment cette recherche fonctionnerait-là.

00:04:14.720 --> 00:04:16.120
Il ne s'agit pas de faire correspondre des mots-clés

00:04:16.120 --> 00:04:17.680
ou d'effectuer un contrôle F sur le document.

00:04:18.300 --> 00:04:19.100
Quelque chose de bien plus intelligent.

00:04:19.600 --> 00:04:22.100
Cela s'appelle la recherche sémantique et elle repose sur des plongements vectoriels.

00:04:22.720 --> 00:04:23.800
Laissez-moi vous expliquer son plongement.

00:04:24.200 --> 00:04:26.060
Un plongement vectoriel est une longue liste de nombres

00:04:26.060 --> 00:04:28.360
qui capture le sens d'un texte comme des coordonnées sur une carte.

00:04:28.900 --> 00:04:31.780
Chaque document obtient sa propre coordonnée sur cette carte de sens.

00:04:31.780 --> 00:04:35.240
Lorsque vous posez une question, le système transforme aussi votre question en coordonnées,

00:04:35.340 --> 00:04:37.140
puis trouve les documents qui en sont les plus proches.

00:04:37.580 --> 00:04:38.800
La clé ici, c'est le terme sémantiqueux.

00:04:39.500 --> 00:04:41.900
Il ne s'agit pas de trouver les mots exacts, mais de comprendre des concepts.

00:04:42.580 --> 00:04:43.820
Si vous recherchez d'économique Iker,

00:04:44.160 --> 00:04:46.640
le système peut trouver des documents sur des hébergements abordables,

00:04:46.980 --> 00:04:48.600
même si ces mots exacts n'apparaissent jamais.

00:04:49.120 --> 00:04:50.840
Pourquoi ? Parce que le sens est proche.

00:04:51.580 --> 00:04:53.240
Les plongements pour économiques et qu'abordables qu'elle

00:04:53.240 --> 00:04:55.020
se trouvent juste à côté l'un de l'autre, sur cette carte.

00:04:55.620 --> 00:04:57.680
Un petit modèle spécial, comme le kexte en bedding,

00:04:57.740 --> 00:04:59.320
trois larges queues d'azur, crée ses plongements.

00:04:59.640 --> 00:05:01.160
Ce n'est pas un modèle linguistique géant,

00:05:01.160 --> 00:05:03.520
c'est donc un outil ciblé qui fait une seule chose.

00:05:04.340 --> 00:05:05.940
Transformer du texte en ces coordonnées numériques,

00:05:06.360 --> 00:05:07.460
c'est ce qui rend le RAG si puissant.

00:05:07.900 --> 00:05:10.520
Vos documents sont convertis en plongements une seule fois lors de l'indexation.

00:05:11.200 --> 00:05:12.280
Ensuite, lorsqu'une requête arrive,

00:05:12.380 --> 00:05:14.720
le système trouve le contenu le plus pertinent en quelques millisecondes,

00:05:15.020 --> 00:05:17.800
même si les mots exacts de l'utilisateur n'apparaissent nulle part dans les documents.

00:05:18.600 --> 00:05:20.820
Comprends l'intention, pas seulement les mots-clés que vous tapez.

00:05:22.200 --> 00:05:23.940
Azure AI Search, le moteur de récupération.

00:05:24.500 --> 00:05:25.740
Donc maintenant vous comprenez le concept.

00:05:26.300 --> 00:05:27.380
Récupérer d'abord, puis générer.

00:05:27.800 --> 00:05:29.900
Mais où toute cette récupération se produit-t-elle réellement ?

00:05:29.900 --> 00:05:31.380
C'est là qu'Azure AI Search entre en jeu.

00:05:32.200 --> 00:05:35.580
Azure AI Search est le service qui stocke, indexe et récupère votre contenu.

00:05:36.540 --> 00:05:39.040
Considérez-le comme le système de classement de votre application RAG.

00:05:39.600 --> 00:05:40.680
Il gère deux tâches principales.

00:05:41.040 --> 00:05:41.700
Et passons-les en revue.

00:05:42.140 --> 00:05:42.860
D'abord l'indexation.

00:05:43.300 --> 00:05:44.820
C'est préparer vos données pour qu'elles puissent être recherchées.

00:05:45.180 --> 00:05:45.820
Ensuite la recherche.

00:05:46.280 --> 00:05:48.840
C'est le fait de trouver le bon contenu quand quelqu'un pose une question.

00:05:49.520 --> 00:05:51.280
Commençons par examiner le processus d'indexation.

00:05:51.280 --> 00:05:54.400
Vous commencez par pointer Azure AI Search vers votre source de données qui pourrait être

00:05:54.400 --> 00:05:58.240
un conteneur de stockage blob rempli de PDF, une base de données SQL avec des dossiers

00:05:58.240 --> 00:06:00.180
clients ou tout autre type de source.

00:06:01.560 --> 00:06:05.340
Le service fisse et documents, les découpes en petits morceaux appelés Kungsmecha, crée

00:06:05.340 --> 00:06:08.560
des plongements vectoriels pour chaque morceau en utilisant le modèle d'embedding dont nous

00:06:08.560 --> 00:06:11.440
avons parlé plus tôt et stocke le tout dans un index de recherche.

00:06:12.060 --> 00:06:14.780
Voyez l'index comme un immense catalogue parfaitement organisé.

00:06:14.780 --> 00:06:19.180
Chaque contenu reçoit un identifiant unique, un bloc de texte et d'écho, coordonnées

00:06:19.180 --> 00:06:20.420
sur cette carte du sens.

00:06:20.860 --> 00:06:21.840
Passons maintenant au processus de recherche.

00:06:22.520 --> 00:06:26.580
Lorsqu'un utilisateur pose une question, AI Search la convertit en vecteur via le même

00:06:26.580 --> 00:06:30.460
modèle d'embedding, puis scanne l'index pour trouver les blocs dont les coordonnées

00:06:30.460 --> 00:06:31.380
sont les plus proches.

00:06:32.560 --> 00:06:33.660
Il renvoie les meilleurs résultats.

00:06:34.000 --> 00:06:35.500
Généralement les 5 à 10 plus pertinents.

00:06:35.660 --> 00:06:39.240
Et ce, en quelques millisecondes, vous disposez ici de plusieurs options.

00:06:39.460 --> 00:06:42.980
La recherche vectorielle pure trouve le contenu par son sens, donc des concepts similaires

00:06:42.980 --> 00:06:44.620
apparaissent même sans correspondance exacte des mots.

00:06:45.000 --> 00:06:47.720
La recherche par mots-clés fonctionne comme un moteur de recherche classique, en trouvant

00:06:47.720 --> 00:06:48.800
des correspondants exacts.

00:06:49.280 --> 00:06:52.180
Vous pouvez aussi utiliser la recherche hybride qui combine les deux approches et c'est

00:06:52.180 --> 00:06:53.120
généralement le meilleur choix.

00:06:53.900 --> 00:06:57.280
Il existe également le re-ranking sémantique qui reprend les résultats initiaux et les reclasse

00:06:57.280 --> 00:06:59.280
selon leur pertinence réelle pour répondre à la question.

00:07:00.400 --> 00:07:02.660
C'est comme un second passage qui rattrape ce que le premier aurait pu manquer.

00:07:03.700 --> 00:07:06.100
Une chose à savoir, Azure AI Search peut coûter cher.

00:07:06.680 --> 00:07:09.860
Le niveau de base commence autour de 75 dollars par mois et augmente ensuite.

00:07:10.540 --> 00:07:13.640
Si vous faites simplement des tests, utilisez le niveau gratuit ou assurez-vous de supprimer

00:07:13.640 --> 00:07:14.820
vos ressources une fois terminées.

00:07:15.480 --> 00:07:17.840
Pour une utilisation en production, toutefois, le coût est généralement justifié.

00:07:18.400 --> 00:07:20.380
Vous achetez de la vitesse et de la fiabilité à grande échelle.

00:07:21.860 --> 00:07:24.820
Azure Open AI et AI Foundry, génération et orchestration.

00:07:25.760 --> 00:07:29.280
Vos données sont maintenant indexées et prêtes à être récupérées, mais le LLM

00:07:29.280 --> 00:07:31.520
doit encore comprendre votre question et générer une réponse solide.

00:07:31.520 --> 00:07:34.400
C'est là qu'interviennent Azure Open AI et Azure AI Foundry.

00:07:35.020 --> 00:07:39.800
Azure Open AI fournit le modèle de langage lui-même, GPT-4O, GPT-4.1 ou tout autre modèle

00:07:39.800 --> 00:07:40.380
de votre choix.

00:07:41.100 --> 00:07:42.020
C'est le moteur de génération.

00:07:42.580 --> 00:07:46.340
Il reçoit une invite incluant la question originale de l'utilisateur et le contexte récupéré

00:07:46.340 --> 00:07:48.140
par Azure AI Search.

00:07:48.780 --> 00:07:52.080
Le modèle lit ce contexte et produit une réponse basée sur ce qu'il y trouve.

00:07:52.820 --> 00:07:55.100
Cependant, vous ne pouvez pas simplement tout mélanger et espérer que ça fonctionne.

00:07:55.680 --> 00:07:58.660
Il vous faut une invite système, un ensemble d'instructions données au préalable au modèle

00:07:58.660 --> 00:07:59.660
sur la façon de se comporter.

00:08:00.280 --> 00:08:03.480
Vous lui demandez d'utiliser uniquement le contexte fourni, de citer ses sources et

00:08:03.480 --> 00:08:07.320
surtout de dire qu'à, je ne sais pas, Agir, si les informations pertinentes ne se trouvent

00:08:07.320 --> 00:08:08.580
pas dans les documents récupérés.

00:08:09.140 --> 00:08:10.360
C'est ce qui garantit l'honnêteté du modèle.

00:08:10.700 --> 00:08:13.600
Sans une bonne invite système, le modèle pourrait se rabattre sur ses données d'entraînement

00:08:13.600 --> 00:08:15.100
ou pire, inventer des choses.

00:08:15.720 --> 00:08:17.960
Alors comment relier concrètement tous ces éléments ?

00:08:17.960 --> 00:08:19.400
C'est là qu'intervient Azure AI Foundry.

00:08:20.000 --> 00:08:22.780
C'est le portail où vous créez un projet, déployez vos modèles, connectez vos sources

00:08:22.780 --> 00:08:23.960
de données et testez votre agent.

00:08:24.540 --> 00:08:27.060
Considérez-le comme le centre de contrôle de toute votre configuration RH.

00:08:27.060 --> 00:08:30.260
Dans Fondry, vous pouvez ajouter votre index Azure AI Search comme source de connaissances

00:08:30.260 --> 00:08:32.920
pour votre agent sans écrire de code personnalisé pour la configuration de base.

00:08:33.560 --> 00:08:36.340
Il vous suffit de créer une connexion, de sélectionner votre index et l'agent peut

00:08:36.340 --> 00:08:37.640
commencer à l'interroger automatiquement.

00:08:38.240 --> 00:08:39.540
Le portail gère l'orchestration.

00:08:40.280 --> 00:08:43.300
Lorsqu'un utilisateur pose une question, l'agent sait appeler AI Search récupérer

00:08:43.300 --> 00:08:47.380
les segments pertinents et les transmettre au LLM avec la question originale avec la question

00:08:47.380 --> 00:08:47.680
originale.

00:08:47.920 --> 00:08:48.780
Voici un exemple concret.

00:08:49.320 --> 00:08:52.020
Dans un tutoriel que j'ai trouvé, quelqu'un a créé un agent de recommandation de film

00:08:52.020 --> 00:08:53.140
en utilisant un jeu de données Netflix.

00:08:53.140 --> 00:08:57.180
Ils ont téléchargé un fichier CSV avec les titres, descriptions et informations sur

00:08:57.180 --> 00:09:00.640
le casting vers Azure Blob Storage, puis ont utilisé Azure AI Search pour indexer ces

00:09:00.640 --> 00:09:00.840
données.

00:09:01.600 --> 00:09:05.540
Dans Azure AI Foundry, ils ont créé un agent avec GPT-4O et l'ont connecté à l'index

00:09:05.540 --> 00:09:06.280
AI Search.

00:09:07.000 --> 00:09:09.320
Lorsqu'un utilisateur a demandé « Caca, j'aime les thrillers, donne-moi quelques

00:09:09.320 --> 00:09:12.040
recommandations ». L'agent a interrogé l'index, trouvé des thrillers dans ce jeu

00:09:12.040 --> 00:09:14.880
de données spécifiques et a renvoyé, des recommandations et a renvoyé des recommandations.

00:09:15.100 --> 00:09:17.960
Et voici le point clé, il n'a recommandé que des films présents dans ce jeu de données.

00:09:18.440 --> 00:09:21.180
Il n'a rien inventé, n'a rien puisé dans ces données d'entraînement et a travaillé

00:09:21.180 --> 00:09:22.860
exclusivement à partir du contenu fourni.

00:09:23.460 --> 00:09:24.360
C'est ça la puissance du RAC.

00:09:25.000 --> 00:09:26.200
RAC classique contre RAC antique.

00:09:26.760 --> 00:09:27.880
Maintenant, parlons de la mise en place.

00:09:28.300 --> 00:09:30.620
Il existe deux modèles principaux, le RAC classique et le RAC antique.

00:09:31.020 --> 00:09:32.820
Celui que vous choisissez dépend de ce que vous construisez.

00:09:33.020 --> 00:09:34.540
Le RAC classique est l'approche la plus directe.

00:09:34.960 --> 00:09:38.000
Une requête est envoyée, une recherche est effectuée, une réponse est générée.

00:09:38.400 --> 00:09:39.360
Simple, rapide, prévisible.

00:09:39.840 --> 00:09:42.880
Imaginez que vous vous présentez à la réception d'un immeuble de bureau pour demander un dossier

00:09:42.880 --> 00:09:43.420
spécifique.

00:09:44.260 --> 00:09:46.200
La réceptionniste le prend, vous le donne, c'est terminé.

00:09:46.660 --> 00:09:49.560
Le RAC classique fonctionne très bien pour les questions-réponses factuelles sur un sujet unique,

00:09:49.560 --> 00:09:52.120
comme « Quelle est la politique de l'entreprise sur le télétravail ? »

00:09:52.120 --> 00:09:55.140
ou « Montre-moi les étapes de dépannage pour ce code d'erreur. »

00:09:55.140 --> 00:09:59.100
C'est fiable, peu coûteux et facile à corriger en cas de problème, car le flux est linéaire.

00:10:00.220 --> 00:10:01.120
Le RAC antique est différent.

00:10:01.600 --> 00:10:03.600
L'agent IA décide lui-même comment récupérer les informations.

00:10:04.680 --> 00:10:07.100
Il peut poser plusieurs sous-questions, rechercher dans différents index,

00:10:07.200 --> 00:10:09.840
itérer sur les résultats et synthétiser les sources avant de répondre.

00:10:10.920 --> 00:10:13.560
C'est comme avoir un gestionnaire d'immeubles qui coordonne différents services

00:10:13.560 --> 00:10:14.620
pour assembler toutes les pièces.

00:10:15.140 --> 00:10:16.340
Il ne se contente pas de prendre un seul dossier.

00:10:16.340 --> 00:10:21.020
Il parle au RH, vérifie les dossiers, croise les politiques, puis revient, avec une réponse complète.

00:10:21.680 --> 00:10:24.340
Microsoft a effectué ses propres tests et a constaté que le RAC antique améliore

00:10:24.340 --> 00:10:26.560
d'environ 40% la pertinence des réponses pour les questions complexes.

00:10:27.180 --> 00:10:30.600
C'est significatif, mais cela utilise de 3 à 10 fois plus de jetons et ajoute de la latence.

00:10:31.160 --> 00:10:33.220
Pour des questions simples, ce travail supplémentaire est inutile.

00:10:33.660 --> 00:10:34.820
Le RAC classique les traite très bien.

00:10:35.400 --> 00:10:36.720
Alors quand utiliser l'un ou l'autre ?

00:10:36.720 --> 00:10:39.840
Le classique pour les requêtes routinières à haut volume où la vitesse et le coût primant.

00:10:40.540 --> 00:10:43.100
L'agentique pour les questions multi-étapes ambigües ou transversales

00:10:43.100 --> 00:10:44.780
où la précision justifie le surcoût de calcul.

00:10:44.780 --> 00:10:47.380
Section de connexion, exemple de bout en bout.

00:10:48.020 --> 00:10:50.440
Voyons comment tous ces éléments s'articulent avec un exemple concret.

00:10:51.120 --> 00:10:52.920
Imaginez que vous construisez un agent de support client

00:10:52.920 --> 00:10:54.940
pour une agence de voyage appelée Marigold Travels.

00:10:55.680 --> 00:10:58.340
Vous avez des brochures de voyage, des avis d'hôtel et des documents de politique

00:10:58.340 --> 00:10:59.480
dispersés dans votre organisation.

00:11:00.780 --> 00:11:03.240
Vous voulez que les clients posent des questions et obtiennent des réponses précises

00:11:03.240 --> 00:11:05.720
basées sur votre contenu réel, pas des suppositions génériques.

00:11:06.600 --> 00:11:09.380
Première étape, stockez tout ce contenu dans Azure Blob Storage.

00:11:10.120 --> 00:11:11.600
Les brochures dans un dossier, les avis dans un autre,

00:11:11.600 --> 00:11:13.800
les politiques dans un troisième, juste des fichiers dans un conteneur.

00:11:14.780 --> 00:11:17.920
Deuxième étape, utilisez Azure AI Search pour indexer ces données

00:11:17.920 --> 00:11:19.540
en lançant l'assistant d'importation de données,

00:11:19.900 --> 00:11:22.080
en le pointant vers votre blob storage et en le laissant travailler.

00:11:23.140 --> 00:11:24.820
Le service lit chaque document, les segmentes,

00:11:24.920 --> 00:11:27.600
crée des vecteurs d'embedding et construit un index interrogeable.

00:11:28.460 --> 00:11:29.720
L'ensemble du processus prend quelques minutes.

00:11:30.380 --> 00:11:32.880
Troisième étape, allez dans Azure AI Foundry pour créer un agent.

00:11:33.840 --> 00:11:36.620
Déployez GPT-4O comme modèle, rédigez un prompt système

00:11:36.620 --> 00:11:38.880
lui ordonnant d'utiliser uniquement le contexte fourni

00:11:38.880 --> 00:11:41.460
et de citer ses sources, puis connectez votre index Azure AI Search

00:11:41.460 --> 00:11:42.500
comme source de connaissances.

00:11:43.300 --> 00:11:44.180
Quelques clics et c'est terminé.

00:11:44.840 --> 00:11:45.700
Maintenant, un client demande,

00:11:45.920 --> 00:11:48.540
quel est l'hôtel le mieux noté à Dubaï à moins de 300 dollars ?

00:11:48.540 --> 00:11:51.140
L'agent prend cette question et l'envoie à Azure AI Search.

00:11:52.100 --> 00:11:53.720
Azure AI Search l'a converti en vecteur

00:11:53.720 --> 00:11:56.100
et trouve les segments les plus pertinents dans vos avis et brochures.

00:11:56.920 --> 00:12:00.000
Ces segments sont transmis à GPT-4O avec la question originale.

00:12:00.600 --> 00:12:02.600
Le modèle des parcours identifie la meilleure correspondance

00:12:02.600 --> 00:12:05.160
et génère une réponse avec des citations pointant vers vos documents sources.

00:12:05.920 --> 00:12:06.700
Voici le point important.

00:12:07.000 --> 00:12:08.480
Le LLM n'a jamais memorisé ses données.

00:12:08.820 --> 00:12:10.300
Il n'a jamais été entraîné sur vos avis d'hôtel.

00:12:10.700 --> 00:12:12.680
Il travaille à partir de votre contenu spécifique à chaque fois.

00:12:13.280 --> 00:12:15.560
Ajoutez nouveaux avis demain et les réponses se mettront à jour automatiquement.

00:12:16.020 --> 00:12:18.020
Supprimez une brochure obsolète et elle cessera d'apparaître.

00:12:18.340 --> 00:12:19.500
Le modèle n'a pas besoin d'être entraîné.

00:12:19.880 --> 00:12:21.140
Il a juste besoin de la bonne couche de récupération.

00:12:21.820 --> 00:12:24.200
Alors, comment commencer réellement à construire du RAJ sur Azure ?

00:12:24.200 --> 00:12:25.380
Décomposons cela en trois étapes.

00:12:25.840 --> 00:12:27.460
Première chose à faire, connaissez vos données.

00:12:28.140 --> 00:12:29.500
Avant même de choisir un service,

00:12:29.920 --> 00:12:31.260
déterminez où se trouve votre contenu,

00:12:31.480 --> 00:12:33.140
comment il est organisé et qui doit y avoir accès.

00:12:33.140 --> 00:12:35.700
Le succès du RAJ dépend entièrement de la qualité de vos données.

00:12:36.120 --> 00:12:36.900
Ensuite, restez simple.

00:12:37.380 --> 00:12:38.680
Ne compliquez pas inutilement la configuration.

00:12:39.100 --> 00:12:41.340
Utilisez l'assistant d'importation de données d'Azure AI Search

00:12:41.340 --> 00:12:42.720
pour indexer un seul ensemble de documents.

00:12:43.240 --> 00:12:44.140
Testez avec des requêtes basiques.

00:12:44.740 --> 00:12:47.520
Assurez-vous que votre recherche fonctionne parfaitement avant d'ajouter le LLM.

00:12:48.480 --> 00:12:50.240
La plupart des échecs du RAJ ne viennent pas du modèle.

00:12:50.800 --> 00:12:51.660
Ce sont des problèmes de recherche.

00:12:52.120 --> 00:12:53.520
Dernière étape, ajoutez le LLM.

00:12:54.000 --> 00:12:55.540
Une fois que votre recherche renvoie les bons résultats,

00:12:55.800 --> 00:12:56.760
vous y intégrez la génération.

00:12:57.400 --> 00:12:58.940
C'est à ce moment-là que vous connectez Azure OpenAI

00:12:58.940 --> 00:13:00.020
et rédigez votre prompt système.

00:13:00.020 --> 00:13:01.300
Voici le point essentiel.

00:13:01.400 --> 00:13:02.660
Le RAJ n'est pas quelque chose que l'on achète.

00:13:02.820 --> 00:13:03.800
C'est un modèle que vous construisez.

00:13:04.480 --> 00:13:05.600
Azure vous fournit les composants,

00:13:06.100 --> 00:13:08.580
le stockage, la recherche, les modèles et le liant pour les connecter.

00:13:09.740 --> 00:13:11.180
Il vous suffit d'assembler le tout correctement.

00:13:12.080 --> 00:13:13.560
Si cela vous a aidé à y voir plus clair,

00:13:13.820 --> 00:13:15.620
abonnez-vous pour d'autres explications simples.

00:13:16.200 --> 00:13:17.540
Laissez un commentaire sur votre cas du Zadjarg.

00:13:18.080 --> 00:13:19.260
J'aimerais beaucoup savoir ce que vous construisez.

00:13:19.260 --> 00:13:20.260
Merci.

00:13:20.260 --> 00:13:21.260
Merci.

00:13:21.260 --> 00:13:22.260
Merci.

00:13:22.260 --> 00:13:23.260
Merci.
