Des articles pour ceux qui
livrent le stack
Textes sur React, Node.js, TypeScript et AI. Un corps traduit est affiché quand il existe. Sinon vous voyez le texte anglais et une note qui le dit.
Tag : Reranking
Trois raisons pour lesquelles les systèmes RAG en production échouent : contexte fragmenté, dérive et mauvaise utilisation.
Trois manières dont la génération de RAG échoue : un contexte fragmenté dû à la segmentation en chunks, une dérive à mesure que la base de connaissances s’agrandit, et une utilisation incorrecte malgré une bonne récupération des informations, avec des solutions au niveau des couches.
11 min de lectureRéclassement dans RAG : encodeurs croisés contre juges LLM et leur latence
Comment un réordonneur en deux étapes améliore le classement des candidats dans RAG, en comparant les encodeurs croisés avec des juges basés sur des LLM, les coûts de latence, les modes de défaillance et les moyens de les évaluer.
14 min de lectureRAG avancé sur Milvus : recherche hybride, HyDE, réécriture des requêtes et réclassement.
Construire progressivement un pipeline RAG pour Milvus : vecteurs denses et BM25, recherche hybride RRF, filtres de métadonnées, réécriture des requêtes, HyDE, décomposition et réclassement par cross-encoder.
18 min de lectureDébogage de la récupération RAG : Recall@K, BM25, fusion hybride et réclassement
Une petite expérience menée sur un pipeline RAG qui a classé le bon fragment en quatrième position, montrant comment le fractionnement, BM25, la fusion des classements et le reclassement modifient Recall@3 et MRR.
11 min de lectureDe la version naïve au RAG en production pour les déclarations 10-K de la SEC : segmentation en blocs, recherche hybride.
Pourquoi le pipeline RAG d’un manuel scolaire a échoué avec des documents 10-K de 300 pages, et les solutions : blocs adaptés aux sections, recherche hybride, réclassement par encodeur croisé, validation et citations de métadonnées.
8 min de lecturePourquoi le réclassement est la meilleure solution économique dans un pipeline RAG
Récupérer 50 éléments, puis les réclasser en 5 : comment le réclassement par encodeur croisé corrige l’ordre dans une pipeline RAG, les avantages et les latences à attendre, quand l’omettre, et ce qui doit être intégré.
8 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 lectureRecherche hybride pour RAG : BM25, fusion de rangs et ré-rangement surpassent les vecteurs.
La recherche vectorielle pure rate les termes exacts. L’utilisation de BM25 associé à des embeddings, de la fusion de rangs réciproques ainsi qu’à un réordonneur à base de cross-encoder a permis à cette configuration RAG d’atteindre une précision de récupération de 91 %.
6 min de lectureDix bugs de récupération silencieux dans les systèmes RAG en production, et comment chacun d’eux est corrigé.
Du taille des blocs et de l’overlap à la recherche hybride, RRF, le reranking, le choix des embeddings et les évaluations CI : dix erreurs de récupération à l’origine de réponses RAG incorrectes et leurs corrections.
16 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.