Qu'est-ce que le RAG ? Comment l'IA répond aux questions à partir de vos données produits et commandes

L'ESSENTIEL Résumé de la rédaction

1. La génération augmentée par récupération (RAG) est une technique dans laquelle un système d'IA récupère d'abord les informations pertinentes dans les sources propres d'une entreprise, puis les transmet à un grand modèle de langage comme contexte pour sa réponse.
2. Le terme a été introduit en 2020 dans un article de recherche de Patrick Lewis et de ses collègues, qui associait un modèle de langage pré-entraîné à un index de documents interrogeable.
3. Le RAG permet à une entreprise de mode de fonder ses réponses sur des données actuelles de produits, de prix et de commandes sans réentraîner de modèle, et de citer dans les réponses les enregistrements utilisés.
4. Les réponses d'un RAG ne valent que ce que valent les données sous-jacentes : des attributs incomplets, des listes de prix obsolètes ou des fiches articles en double conduisent directement à des réponses fausses.
5. L'OWASP Top 10 for LLM Applications 2025 range l'injection de prompt, la divulgation d'informations sensibles et les faiblesses liées aux vecteurs et aux embeddings parmi les principaux risques de sécurité de ces systèmes.

La génération augmentée par récupération (RAG, pour retrieval-augmented generation) est un moyen de faire répondre un assistant d'IA à partir de vos propres données plutôt qu'à partir de son entraînement général. Lorsqu'une personne pose une question, le système recherche d'abord dans votre catalogue produits, vos listes de prix, votre historique de commandes ou vos documents de politique interne, puis transmet les extraits pertinents à un grand modèle de langage, qui rédige une réponse sur cette base. Pour les équipes wholesale et retail de la mode, c'est l'architecture la plus courante derrière les assistants qui répondent à des questions comme « Quels modèles de la ligne été sont encore disponibles en taille 38 ? »

Qu'est-ce que la génération augmentée par récupération ?

Le terme provient d'un article de recherche publié en 2020 par Patrick Lewis et ses collègues, « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ». Les auteurs constataient que les grands modèles de langage pré-entraînés stockent des connaissances dans leurs paramètres, mais peinent à y accéder avec précision, à indiquer d'où vient une réponse ou à mettre à jour ce qu'ils savent. Leur solution associait la mémoire « paramétrique » interne du modèle à un index externe de documents interrogeable. L'article indiquait que cette approche produisait des réponses plus précises et plus factuelles qu'un modèle de langage seul.

AWS résume l'idée en termes métier : le RAG amène un modèle de langage à consulter une base de connaissances faisant autorité, extérieure à ses données d'entraînement, avant de répondre, ce qui étend le modèle aux connaissances internes d'une organisation sans le réentraîner.

Comment fonctionne le RAG, étape par étape ?

1. Préparer les données : fiches produits, line sheets, conditions générales, données de commande et de livraison sont collectées dans leurs systèmes sources. Le texte est découpé en fragments et converti en vecteurs numériques (embeddings), généralement stockés dans une base de données vectorielle ; les données structurées peuvent aussi être interrogées directement.
2. Récupérer : la question de l'utilisateur est convertie de la même manière et comparée au contenu stocké pour trouver les enregistrements les plus pertinents, par exemple les données de base article d'un modèle et son stock actuel.
3. Augmenter : les enregistrements récupérés sont insérés dans le prompt comme contexte, avec des instructions telles que « réponds uniquement à partir de ces enregistrements et cite-les ».
4. Générer : le modèle de langage rédige la réponse, idéalement avec des références aux enregistrements utilisés.
5. Actualiser : comme le souligne AWS, les documents et les embeddings doivent être mis à jour en temps réel ou par lots réguliers, faute de quoi l'assistant répond avec les données de la veille.

Lire aussi

Comment fonctionne la segmentation des comptes wholesale par l'IA ?

Que peut faire le RAG avec les données produits et commandes dans la mode ?

Le RAG est utile partout où des personnes passent du temps à chercher des informations dans plusieurs systèmes. Exemples typiques dans le wholesale et le retail de mode :

Le point commun : la réponse doit être exacte pour une entreprise, un client et un moment précis. Un modèle généraliste ne peut pas le savoir ; une étape de récupération peut le lui fournir.

Toutes les questions ne doivent pas être traitées par une recherche textuelle. Les questions sur les niveaux de stock, les quantités de commandes en cours ou les prix trouvent leur meilleure réponse dans une interrogation directe du système source avec des filtres exacts, tandis que les questions sur les conseils d'entretien, les conditions de livraison ou l'histoire d'une collection se prêtent à la recherche documentaire. De nombreux assistants opérationnels combinent les deux : une requête structurée pour les chiffres et une récupération documentaire pour l'explication, le modèle de langage se contentant de formuler la réponse finale.

Pourquoi le RAG est-il préférable à l'entraînement d'un modèle sur vos données ?

L'affinage d'un modèle grave l'information dans ses poids, ce qui est coûteux à répéter et ne garantit toujours pas une restitution correcte. Les données produits et commandes changent chaque jour ; un réentraînement ne suivrait jamais le rythme. AWS présente le RAG comme un moyen économique d'améliorer les résultats d'un modèle par rapport au réentraînement des modèles de fondation, et met en avant deux autres avantages : les réponses peuvent s'appuyer sur des sources fréquemment mises à jour et inclure des citations vérifiables par les utilisateurs. Pour une équipe commerciale, ce dernier point est décisif : un commercial doit voir de quelle liste de prix ou de quel enregistrement de commande provient une réponse avant de la communiquer à un client.

Qu'est-ce qui ne fonctionne pas avec le RAG en pratique ?

• Données de base médiocres : si des attributs manquent ou sont incohérents d'un système à l'autre, la récupération renvoie des enregistrements incomplets ou contradictoires, et le modèle comble les lacunes par des suppositions.
• Mauvaise récupération : des noms de modèles, des codes couleur ou des saisons similaires peuvent amener le système à récupérer le mauvais article. Des filtres structurés (saison, marché, compte client) limitent ce risque.
• Index obsolètes : le stock et le statut des commandes changent en permanence ; un index actualisé chaque semaine donnera des réponses assurées mais périmées.
• Contrôle d'accès : un client wholesale ne doit jamais voir les prix ou les commandes d'un autre compte. Les droits doivent être appliqués au moment de la récupération, et pas seulement dans l'interface utilisateur.
• Sécurité : l'OWASP Top 10 for LLM Applications 2025 range l'injection de prompt, la divulgation d'informations sensibles et les faiblesses liées aux vecteurs et aux embeddings parmi les principaux risques de ces systèmes.

Lire aussi

L'IA dans le wholesale mode B2B : le guide complet

Comment une entreprise de mode doit-elle se préparer au RAG ?

Le travail préparatoire porte surtout sur les données. Les entreprises ont besoin d'une source fiable unique pour chaque type d'enregistrement (articles, prix, stocks, commandes, clients), d'identifiants cohérents qui les relient et d'une responsabilité claire pour leur mise à jour. Les documents tels que conditions, line sheets et guides d'entretien doivent être lisibles par machine et versionnés. Commencez par un type de question restreint et fréquent, comme le statut des commandes pour les comptes wholesale ou les informations produits pour les commerciaux, exigez que l'assistant cite ses sources et conservez une voie d'escalade vers un humain. Ce n'est qu'une fois la qualité des réponses mesurée et stable qu'il est judicieux d'élargir le périmètre ou de laisser le système déclencher des actions, comme la préparation d'une proposition de réassort.

Questions fréquentes

Que signifie RAG en IA ?

RAG signifie retrieval-augmented generation, en français génération augmentée par récupération. Le terme désigne des systèmes d'IA qui récupèrent des informations pertinentes dans des sources externes, comme les données produits ou commandes d'une entreprise, et les fournissent comme contexte à un grand modèle de langage avant que celui-ci ne génère une réponse.

Le RAG est-il la même chose que l'affinage (fine-tuning) ?

Non. L'affinage modifie les poids internes d'un modèle par un entraînement supplémentaire, tandis que le RAG laisse le modèle inchangé et lui fournit les informations pertinentes au moment de la question. Le RAG convient mieux aux données qui changent souvent, comme les stocks, les prix et les commandes, et permet plus facilement d'indiquer les sources.

Un système RAG peut-il encore halluciner ?

Oui. Si la récupération renvoie des enregistrements erronés ou incomplets, ou si le modèle les ignore, les réponses peuvent encore être fausses. Exiger des citations, limiter les réponses aux données récupérées et tester avec des questions connues réduisent le risque sans l'éliminer.

De quelles données ai-je besoin pour un assistant RAG dans le wholesale de mode ?

Au minimum, des données de base produits propres, des listes de prix à jour, des données de stock ou de disponibilité et les enregistrements de commandes par compte client, reliés par des identifiants cohérents. Les documents tels que conditions et line sheets doivent être numériques et versionnés, et les droits d'accès doivent être définis par utilisateur et par compte.

GuideLe guide complet de l’IA dans le wholesale et le B2B de la modeLire le guide complet