La génération augmentée par récupération (RAG) est une méthode où un système d’IA recherche d’abord dans un ensemble de vos propres documents, tels que les données produits, les politiques et les articles d’aide, puis rédige une réponse basée sur ce qu’il a trouvé. Pour les marques de e-commerce, le RAG alimente les assistants d’achat, les bots de support et les outils internes qui répondent à partir des données actuelles du catalogue et des politiques plutôt que de la mémoire générale du modèle.
L’idée est née d’un article de recherche de 2020 par Patrick Lewis et ses collègues de Facebook AI Research et d’universités partenaires. C’est désormais le modèle le plus courant pour les assistants IA d’entreprise, car il maintient les réponses liées aux sources que l’entreprise contrôle et met à jour.
Comment fonctionne le RAG étape par étape ?
Un système RAG comporte deux moitiés. La première prépare votre contenu : les documents sont divisés en morceaux, chaque morceau est converti en une représentation numérique appelée embedding, et ces embeddings vont dans un index de recherche, souvent une base de données vectorielle. La seconde moitié répond aux questions : la question de l’utilisateur est convertie en embedding, les morceaux les plus proches sont récupérés et le modèle de langage rédige une réponse en les utilisant.
- Ingestion : collectez les flux de produits, les pages de politiques, les articles d’aide et les FAQ.
- Découpage : divisez-les en passages de quelques centaines de mots, en gardant les enregistrements de produits intacts.
- Embedding et indexation : stockez les passages dans un index vectoriel, souvent avec une recherche par mots-clés.
- Récupération : trouvez les passages les plus pertinents pour chaque question.
- Génération : le modèle rédige une réponse en citant ou en utilisant uniquement ces passages.
- Mise à jour : réindexez lorsque les produits, les prix ou les politiques changent.
De nombreuses plateformes regroupent ces étapes, des services cloud comme Azure AI Search, Google Vertex AI Search et Amazon Bedrock Knowledge Bases aux outils de support e-commerce avec bases de connaissances intégrées. Les builds personnalisés utilisent des frameworks comme LangChain ou LlamaIndex.
Quels cas d’utilisation e-commerce conviennent au RAG ?
Assistant d’achat
Un client demande : “Quelles chaussures de course avez-vous pour les pieds larges avec un certain budget ?” Un assistant RAG récupère les produits dont les données mentionnent une coupe large et filtre par prix, puis explique les options. La qualité dépend fortement de l’existence d’informations sur la coupe dans les données produit. Si ce n’est pas le cas, aucun modèle ne peut les inventer de manière fiable.
Réponses de support et politiques
Les fenêtres de retour, les zones d’expédition, les conditions de garantie et les options de paiement changent. Un bot de support RAG répond à partir de la page de politique actuelle, donc la mise à jour de la page met à jour le bot. C’est un avantage majeur par rapport au fine-tuning, où le modèle devrait être réentraîné pour chaque changement de politique.
Outils internes
- Agents de service client recherchant des politiques et des résolutions passées lors d’un chat en direct.
- Merchandisers demandant quels produits manquent de tableaux de tailles ou d’instructions d’entretien.
- Intégration du nouveau personnel avec des réponses tirées de documents de processus internes.
- Acheteurs interrogeant les spécifications des fournisseurs sur des centaines de PDF.
Support de contenu
Les rédacteurs peuvent générer des brouillons de comparaison de produits ou des guides d’achat basés sur des attributs de produits réels, réduisant ainsi les spécifications inventées. Un éditeur vérifie toujours chaque affirmation, mais le point de départ est ancré dans les données.
Qu’est-ce qui fait qu’un système RAG répond mal ?
La plupart des échecs du RAG sont des échecs de récupération. Si le bon passage n’est pas trouvé, le modèle répond soit vaguement, soit, pire encore, comble les lacunes avec des connaissances générales. Les causes courantes sont un mauvais découpage, des index obsolètes et des données produit auxquelles manquent les détails demandés par les clients.
- Index obsolète : les prix ou les stocks ont changé mais l’index n’a pas été actualisé.
- Données manquantes : des attributs tels que la coupe, le matériau ou la compatibilité sont absents du flux.
- Mauvais découpage : un tableau de politique divisé entre plusieurs morceaux perd son sens.
- Lacunes de synonymes : les clients disent “baskets”, les données produit disent “sneakers”.
- Pas de règle de refus : le modèle répond même lorsque la récupération n’a rien trouvé de pertinent.
La recherche hybride, qui combine recherche par mots-clés et recherche vectorielle, résout de nombreux problèmes de synonymes et de codes produits. Une instruction claire de dire “Je n’ai pas cette information” lorsque les sources manquent empêche la plupart des réponses inventées.
Comment tester un assistant RAG avant le lancement ?
- Collectez 100 questions réelles de clients à partir des journaux de chat et des e-mails.
- Rédigez la réponse correcte et la page source pour chacune.
- Mesurez la récupération : le système a-t-il trouvé la bonne source dans ses meilleurs résultats ?
- Mesurez les réponses : correctes, partiellement correctes, fausses ou refusées de manière appropriée.
- Incluez des cas délicats : articles en rupture de stock, produits abandonnés, autres langues.
- Retestez après chaque changement majeur de catalogue ou de politique.
Séparez les deux scores. Si la récupération est bonne mais que les réponses sont fausses, corrigez le prompt ou le modèle. Si la récupération est médiocre, aucun prompt n’aidera ; corrigez les données et l’index.
La langue mérite son propre cycle de test. Un magasin vendant en turc et en anglais devrait vérifier qu’une question en turc récupère correctement les données produit uniquement en anglais, ou mieux, que les attributs clés existent dans les deux langues. Les modèles d’embedding diffèrent en qualité multilingue, et un système qui obtient de bons résultats en anglais peut silencieusement manquer la moitié des questions en turc.
Qu’en est-il de la confidentialité et de la sécurité ?
Gardez les données personnelles des clients hors de l’index partagé. Les recherches de commandes doivent passer par un appel API sécurisé et authentifié, et non par des documents stockés dans une base de données vectorielle. Surveillez également l’injection de prompts : si des avis produits ou des documents de fournisseurs sont indexés, le texte qu’ils contiennent pourrait tenter d’instruire le modèle. Traitez le contenu généré par les utilisateurs indexé comme non fiable.
Comment Alien Road applique le RAG pour les clients e-commerce
Un engagement typique commence par un audit des questions : nous extrayons plusieurs mois de questions de chat et d’e-mail, les regroupons par sujet et vérifions si les données produit et les pages de politique du client contiennent réellement les réponses. Les lacunes trouvées ici comptent souvent plus que tout choix technologique, car le manque de données sur la coupe ou la compatibilité bloque l’assistant dès le premier jour.
La configuration utilise généralement une plateforme existante adaptée au stack du client, avec une recherche hybride, une règle de refus et une réindexation planifiée liée au flux de produits. Nous construisons le jeu de test de 100 questions avec l’équipe de support du client. La mesure suit la précision de la récupération, la précision des réponses, le taux de transfert aux agents humains et la satisfaction client sur les conversations par bot, rapporté mensuellement avec des exemples de réponses échouées et les corrections apportées.
Par où commencer cette semaine
Exportez 100 questions récentes de clients et, pour chacune, trouvez la page sur votre site qui y répond. Marquez celles qui n’ont de réponse nulle part.
- Collectez les questions provenant du chat, des e-mails et des messages de marketplace.
- Faites correspondre chacune à une page source ou marquez-la comme manquante.
- Corrigez les cinq principales réponses manquantes sur le site lui-même.
- Vérifiez si votre flux de produits inclut les attributs demandés par les clients.
Cet exercice améliore votre site immédiatement, et c’est exactement le jeu de test dont un système RAG aura besoin plus tard.
Continuez à lire : Optimisation par IA · Optimisation par IA