Glossaire

Raisonnement multi-sauts

Qu’est-ce que 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.

Thèmes

raisonnement
questions-réponses
RAG

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

Réponse aux questions (QA)

La réponse aux questions (question answering) est un domaine du traitement du langage dans lequel un système répond directement à des questions formulées en langage naturel, au lieu de fournir une simple liste de résultats. Les systèmes actuels recherchent les passages pertinents dans une base de connaissances et en tirent une réponse, idéalement avec la source. Usages typiques : service client, bases de connaissances internes et manuels, par exemple pour savoir combien de jours de congé on a la première année.

TAL
Gestion des connaissances
+1

Modèle

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.

RAG
Graphe de connaissances
+1

Chaînage de modèles

Le chaînage de modèles (model chaining) consiste à enchaîner plusieurs modèles ou étapes d’IA, de sorte que la sortie d’une étape devient l’entrée de la suivante. Les tâches complexes sont ainsi découpées en sous-tâches maîtrisables, que l’on peut vérifier et améliorer séparément. Exemple : une étape résume la demande d’un client, une deuxième l’attribue à un service et une troisième rédige la réponse.

orchestration
flux
+1