Qu'est-ce que RAG (Retrieval Augmented Generation) ?	Une technique permettant à un modèle d'IA de répondre à des questions en utilisant des informations provenant de documents externes.
Quel est le principal inconvénient de placer un document entier dans un prompt ?	Il existe une limite stricte sur la quantité de texte que le modèle peut traiter, et l'efficacité diminue avec la longueur du prompt.
Comment RAG gère-t-il les documents très longs ?	Il divise le document en petits morceaux (chunks) et ne fournit au modèle que les morceaux les plus pertinents pour la question posée.
Quel avantage majeur offre RAG pour les grands ensembles de données ?	Il permet de traiter des documents très volumineux et de multiples sources de données en ciblant l'information.
Comment RAG améliore-t-il l'efficacité et réduit les coûts ?	En utilisant des prompts plus courts, le temps de traitement et les coûts d'exécution sont réduits.
Quel est le principal défi technique de l'implémentation de RAG ?	La complexité accrue, nécessitant une étape de prétraitement et un mécanisme de recherche pour trouver les chunks pertinents.
Qu'est-ce qu'un "chunk" dans le contexte de RAG ?	Un petit segment de texte extrait d'un document, utilisé pour cibler l'information pertinente.
Y a-t-il une garantie que les morceaux récupérés par RAG contiendront toutes les informations nécessaires ?	Non, il n'y a aucune garantie que les morceaux sélectionnés contiennent tout le contexte requis pour une réponse complète.