Qu'est-ce que RAG ?	Retrieval Augmented Generation.
Quel est le principal inconvénient de placer tout le texte d'un document dans un prompt (Option 1) ?	Les limites de jetons (token limits), la diminution de l'efficacité du modèle et les coûts de traitement élevés.
Quelle est la première étape du processus RAG (Option 2) ?	Découper (chunk) le document en petits segments de texte.
Comment RAG permet-il à un LLM de se concentrer sur l'information pertinente ?	En recherchant et en incluant uniquement les segments (chunks) les plus pertinents pour la question de l'utilisateur.
Citez deux avantages majeurs de l'utilisation de RAG.	Scalabilité pour les documents très longs et réduction de la taille/coût des prompts.
Quel est un défi majeur lié à l'implémentation de RAG ?	La complexité du processus, nécessitant une étape de pré-traitement et un mécanisme de recherche.
Quel risque existe avec RAG concernant le contexte ?	Les segments sélectionnés pourraient ne pas contenir tout le contexte nécessaire pour une réponse complète.
Citez deux méthodes pour définir ce qu'est un "chunk" dans RAG.	Diviser le texte en portions égales ou baser le découpage sur les en-têtes du document.