❓ 𝐂𝐨𝐦𝐦𝐞𝐧𝐭 𝐨𝐩𝐭𝐢𝐦𝐢𝐬𝐞𝐫 𝐯𝐨𝐭𝐫𝐞 𝐑𝐀𝐆 𝐞𝐧 𝐭𝐚𝐧𝐭 𝐪𝐮𝐞 𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭 ❓

🆘 6 conseils ici sur ce post !

💻 Pour rappel, RAG= Retrieval Augmented Generation. C'est une technique qui permet d'optimiser les résultats des LLMs pour cibler plus précisement les données qui sont en lien avec la question de l'utilisateur.

💭 Une superbe métaphore dans l'article sourcé :
"In layman terms, RAG is to LLMs what GPS is to drivers. GPS is an external data source, that drivers can use to look up relevant information about the route of the destination. "

🚮 𝐂𝐨𝐧𝐬𝐞𝐢𝐥 𝐧𝐮𝐦 1 : Travaillez sur vos données.
Eviter le "garbage in, garbage out" : trier et nettoyez vos données. L'efficacité du RAG, et donc la qualité de réponse des LLMs, dépend directement des données injectées. Par exemple, des doublons sont souvent présents dans les contexte des LLMs ce qui réduit la fenêtre de connaissance et la pertinence des données de ce dernier.

☯ 𝐂𝐨𝐧𝐬𝐞𝐢𝐥 𝐧𝐮𝐦 2 : Recherche par similarité vectorielle ou par mot-clef ?
Testez puis choisissez la meilleure stratégie d'indexation. L'indexation par similarité vectorielle n'est pas la solution par défaut. Parfois, l'indexation sur la base d'une recherche par mot-clefs est plus efficace notamment dans le cadre de recherche d'item particulier. A contrario, la recherche par similarité vectorielle est plus efficace pour les recherches globales.