Glossaire

LazyGraphRAG

Qu’est-ce que LazyGraphRAG ?

LazyGraphRAG est une approche de génération augmentée par récupération fondée sur des graphes, présentée par Microsoft Research en 2024. Contrairement à GraphRAG, elle ne fait pas rédiger de résumés par un modèle de langage lors de l'indexation : elle repère les concepts et leurs co-occurrences avec des techniques classiques de TAL, et le modèle de langage n'intervient qu'au moment de la requête. Selon Microsoft, les coûts d'indexation tombent ainsi au niveau d'un simple RAG vectoriel. L'approche convient surtout aux questions nécessitant une vue d'ensemble de grands corpus documentaires.

Thèmes

RAG
Graphe de connaissances
Retrieval

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Génération augmentée par récupération (RAG)

La génération augmentée par récupération associe recherche et génération de texte : avant de répondre, le système cherche dans une base de connaissances (manuels, directives, FAQ…) les passages pertinents et les transmet au modèle de langage comme contexte. La réponse s'appuie ainsi sur des contenus actuels propres à l'entreprise, et pas seulement sur les connaissances d'entraînement du modèle. Cela réduit les affirmations inventées, rend les sources traçables et permet des mises à jour sans nouvel entraînement.

RAG
recherche documentaire
+1

Raisonnement multi-sauts

Le raisonnement multi-sauts (multi-hop reasoning) est la capacité d’un système d’IA à répondre à une question par plusieurs déductions successives, souvent en combinant des informations de sources différentes. Exemple : « Quel service dirige la personne responsable du projet X ? » exige d’identifier d’abord le responsable, puis son service. Ces questions sont exigeantes pour les systèmes de recherche et de RAG, car chaque étape intermédiaire doit être trouvée et reliée correctement.

raisonnement
questions-réponses
+1

Recherche d'information

La recherche d'information regroupe les méthodes qui retrouvent, dans de grands ensembles de textes, les documents ou passages correspondant à une requête et les classent par pertinence. Des approches classiques comme BM25 pondèrent les termes selon leur fréquence et leur rareté ; les plus récentes ajoutent la similarité sémantique. Elle est à la base des moteurs de recherche, de la recherche en entreprise et de la génération augmentée par récupération (RAG), où un modèle de langage s'appuie sur les passages trouvés pour répondre.

Recherche
BM25
+1

Pipeline de récupération

Une pipeline de récupération (retrieval pipeline) est l'enchaînement d'étapes par lequel un système trouve les informations pertinentes pour une question. Elle comprend généralement : importer et nettoyer les documents, les découper en segments, construire un index de recherche, reformuler éventuellement la requête, rechercher les résultats, les classer (reranking) et transmettre les meilleurs au modèle de langage. Elle constitue la base de toute application RAG ; sa qualité conditionne largement celle des réponses.

RAG
recherche
+1