Des articles pour ceux qui
livrent le stack
Textes originaux sur React, Node.js, TypeScript et AI — issus de la même pratique que notre logiciel opérateur. Corps des articles en anglais.
Tag : Embeddings
Qualité RAG en temps d’indexation : types de fragments, nettoyage et étiquettes de récupération
Qualité du RAG en temps d’indexation : création de blocs de texte, de tableaux et d’images, suppression des bruits générés par le parseur, et ajout de labels de récupération rédigés par un LLM qui ont réduit d’environ la moitié les recherches infructueuses.
12 min de lecturePourquoi RAG existe : la mémoire paramétrique, la récupération dense et l’article de 2020
Pourquoi RAG existe : les limites de la mémoire paramétrique, comment BM25 et les embeddings ont conduit à une récupération dense, et quels compromis RAG-Sequence et RAG-Token présentent dans l’article.
7 min de lectureService de recherche sémantique utilisant une base de données vectorielle Pinecone derrière un serveur MCP.
Un service de recherche sémantique réutilisable : diviser les PDF en parties, stocker les embeddings dans une base de données vectorielle Pinecone, et permettre à n’importe quel agent de les interroger via un serveur FastMCP.
7 min de lectureCréer un pipeline RAG local en Python sans frais d’API
Un tutoriel pratique pour créer une génération augmentée par la récupération d’informations sur CPU à l’aide de sentence-transformers, numpy et Flan-T5, incluant le découpage des données, la recherche et un test A/B.
12 min de lectureUne architecture RAG pratique sur Firebase et Vertex AI avec Firestore Vectors
RAG sur Firebase avec des embeddings de Vertex AI et la recherche vectorielle de Firestore : lotification, filtres de métadonnées, isolation des locataires, prompts ciblés, mise en cache et métriques.
10 min de lecturePourquoi RAG donne encore des réponses incorrectes : recherche hybride, réclassification et Recall@K
Des fragments propres ne garantissent pas des réponses de qualité. Voyez où l’extraction de vecteurs échoue et comment la fusion, un réclassificateur à codeur croisé, HyDE et la mesure Recall@K y remédient.
6 min de lectureCouche par couche : conception d’un pipeline de récupération RAG réel pour les agents IA
Planifiez un pipeline RAG avec les contrats SourceDocument et DocumentChunk, le découpage en chunks, les embeddings ainsi que ChromaDB, tout cela derrière un RetrievalService qui assure la stabilité de l’agent.
10 min de lectureRecherche d’images hybride à grande échelle : SigLIP, SPLADE, YOLOv8 et Gemini Captions
Conception d’un système de recherche sur un million d’images qui associe des embeddings denses et sparses à la détection d’objets, au reconnaissance d’entités, à la recherche sécurisée et à des descriptions écrites par des LLM.
6 min de lectureComment RAG permet à un LLM d’accéder à vos données privées : fragments, vecteurs, prompts
Comprendre la génération augmentée par la récupération, de l’ingestion à la requête, à l’aide d’un petit exemple en Node.js, de trois modes de défaillance courants ainsi que d’un tableau comparant RAG et l’ajustement fin.
8 min de lecture
À propos de ces articles
Devis en 24 h
Besoin du même stack en couche opérateur ? Envoyez le brief — devis sous 24 h.