Cours · Ouverture des cours et des parcours disponibles
Cours V8 strict-gate sur RAG avancé, bases vectorielles, hybrid search, citations, évaluation, sécurité et opérations.
Données pédagogiques publiées
Aucun objectif pédagogique n’est publié pour ce cours. Les titres de leçons ne sont pas transformés automatiquement en promesses d’apprentissage.
Structure publiée
1 module(s) · 25 leçon(s)
25 leçon(s) · 2h 5min
Pourquoi le RAG avancé est un produit, pas un simple chatbot
Transformer une demande “chat sur mes documents” en produit RAG borné, testable et gouverné.
Cartographier les sources, les propriétaires et le périmètre autorisé
Identifier sources, owners, droits, fraîcheur, finalités, exclusions et risques avant l’ingestion.
Parsing, extraction et normalisation documentaire
Préparer un corpus exploitable sans perdre source, page, section, date ni contexte métier.
Métadonnées, lineage et gouvernance des chunks
Concevoir des métadonnées utiles au filtrage, aux citations, aux droits d’accès et aux audits.
Chunking avancé : taille, overlap, structure et fenêtres contextuelles
Choisir une stratégie de découpage adaptée au type de document et à l’usage.
Embeddings, similarité et limites du dense retrieval
Comprendre les embeddings, la similarité cosinus et les limites d’un retrieval purement sémantique.
Concevoir une collection vectorielle : ids, payloads et namespaces
Structurer une base vectorielle pour search, filtrage, ACL, versions et multitenancy.
Sparse retrieval, BM25 et recherche lexicale
Utiliser la recherche lexicale pour préserver acronymes, codes, noms propres et exact match.
Hybrid search et fusion de rangs
Combiner dense et sparse avec pondération, normalisation et Reciprocal Rank Fusion.
Reranking, MMR et contextual compression
Améliorer la qualité du top-k avec reranking, diversité et réduction de contexte inutile.
Query rewriting, expansion et normalisation des questions
Réécrire ou enrichir une requête sans changer l’intention utilisateur.
Multi-query, decomposition et routing
Décomposer une question complexe et router vers les bons index ou collections.
Assembler le contexte : budget tokens, ordre et déduplication
Sélectionner un contexte utile, non redondant et compatible avec les limites de tokens.
Citations, grounding et contrats de réponse
Forcer la réponse à citer les sources et à distinguer preuve, synthèse et incertitude.
Cache, latence, coûts et stratégie de fallback
Optimiser temps de réponse et coût sans dégrader la qualité ni la sécurité.
Construire un golden set RAG et des cas limites
Créer un jeu d’évaluation couvrant questions normales, ambiguës, hors périmètre et adversariales.
Métriques retrieval : recall@k, precision@k, MRR et nDCG
Mesurer si les bons documents sont retrouvés au bon rang.
Métriques génération : faithfulness, answer relevancy et groundedness
Mesurer si la réponse est utile, fidèle au contexte et suffisamment sourcée.
Analyse d’erreurs : hallucinations, stale docs, chunk miss et metadata miss
Diagnostiquer les causes d’échec et choisir l’action corrective.
Sécurité RAG : prompt injection indirecte, ACL et exfiltration
Protéger un RAG contre instructions malveillantes dans les documents et accès non autorisés.
Choisir une stack vectorielle : FAISS, pgvector, Qdrant, Weaviate ou Pinecone
Comparer les options locales, PostgreSQL, vector DB managée et exigences de production.
Lifecycle d’index : re-embedding, versions et migrations
Planifier versions d’embeddings, reindexation, rollback et compatibilité des schémas.
Monitoring RAG : feedback, drift, qualité et incidents
Suivre qualité, coûts, latence, requêtes sans réponse, sources obsolètes et incidents.
RAG avec agents, tools et human-in-the-loop
Utiliser le RAG comme source d’un agent sans lui donner un pouvoir excessif.
Capstone : système RAG auditable de bout en bout
Assembler pipeline, évaluation, sécurité, monitoring et soutenance portfolio.
Les ressources du cours sont disponibles après validation de l’accès au contenu.