Quel est l'objectif de la recherche de chunks dans un pipeline RAG après la soumission d'une requête utilisateur ?	Trouver des chunks de texte pertinents pour ajouter du contexte au prompt.
Quel système est le plus couramment utilisé pour trouver des chunks pertinents dans un pipeline RAG ?	La recherche sémantique (Semantic Search).
Qu'est-ce que la recherche sémantique utilise pour comprendre le contenu des textes ?	Les plongements textuels (Text Embeddings).
Qu'est-ce qu'un plongement textuel (Text Embedding) ?	Une représentation numérique du sens contenu dans un texte.
Quel outil est utilisé pour générer des plongements textuels ?	Un modèle d'intégration (Embedding Model).
Quel est le format de sortie d'un modèle d'intégration ?	Une longue liste de nombres (le plongement).
Que représente chaque nombre à l'intérieur d'un plongement textuel ?	Un score d'une certaine qualité du texte d'entrée (bien que le sens exact soit inconnu).
Quel type d'identifiant est nécessaire pour utiliser un modèle d'intégration (comme Titan embed text V2) ?	Un identifiant de modèle d'intégration (Embedding Model ID).