Quel est l'objectif principal du pipeline RAG ?	Fusionner le découpage de texte (text chunking), les embeddings et l'aperçu du processus pour comprendre le flux complet.
Qu'est-ce que le découpage de texte (text chunking) ?	Le processus de division d'un document source en morceaux de texte séparés.
Qu'est-ce qu'un embedding de texte ?	Une représentation numérique (vecteur) d'un morceau de texte, capturant sa signification sémantique.
Quel est le rôle de l'étape de normalisation des vecteurs ?	Mettre à l'échelle la magnitude de chaque vecteur à 1.0.
À quoi sert une base de données vectorielle (vector database) ?	Stocker, comparer et rechercher des listes de nombres (embeddings) optimisées pour la similarité.
Comment le système trouve-t-il les informations pertinentes pour une requête utilisateur ?	En transformant la requête en embedding, puis en recherchant le vecteur le plus proche dans la base de données vectorielle.
Quel calcul est utilisé pour mesurer la similarité entre deux embeddings ?	La similarité cosinus (cosine similarity).
Quelle est la plage de valeurs de la similarité cosinus ?	Entre -1 et 1.
Comment définit-on la distance cosinus (cosine distance) ?	En calculant 1 moins la similarité cosinus (1 - similarité cosinus).
Quelle est l'étape finale du pipeline RAG ?	Intégrer la question de l'utilisateur et le chunk de texte le plus pertinent dans le prompt de l'LLM.