Enhancing performance of RAG systems with mathematical methods

2511-Laive-BetterRAG

​Le RAG rencontre encore des difficultés dans les environnements B2B complexes, notamment lorsqu’il s’agit de vastes bases de documents.

​En conséquence, les agents IA qui dépendent du RAG ne sont pas toujours fiables, et de nombreux utilisateurs ne leur font pas confiance.

​C’est ce problème que Laive.ai a décidé d’aborder : améliorer les systèmes RAG afin d’accroître la pertinence des données d’entrée des agents IA.

​Le principal défi qu’ils traitent est la faible pertinence des segments de texte (chunks) récupérés lorsque la similarité est effectuée sur une base de documents très volumineuse, ce qui est fréquent dans les cas d’usage B2B.

​Lors de cet atelier, ils présenteront les différentes techniques de retrieval agentique sur lesquelles ils travaillent afin d’améliorer la fiabilité, et notamment:

– ​Différentes architectures selon le type de documents et les cas d’usage.
​- Plus de métadonnées sauvegardées lors de l’ingestion / indexation des segments de documents.
– ​Analyse des liens logiques entre les documents, afin de mieux comprendre la structure de la base documentaire (par exemple via des graphes).
– ​Pré-filtrage des données embarquées avant la recherche
​… et bien plus encore!

​Ils présenteront également plusieurs cas d’usage et les premiers tests qu’ils ont réalisés.

​En raison d’un nombre de places limité, les places sur site seront prioritairement allouées aux membres du club datacraft.