Quelles sont les étapes principales du pipeline RAG ?	Découpage du texte (chunking), génération d'embeddings, stockage dans une base de données vectorielle, et recherche de similarité.
Quel est le rôle du découpage du texte (text chunking) ?	Diviser un document source en morceaux de texte plus petits pour faciliter l'encodage et la recherche.
Qu'est-ce qu'un embedding de texte ?	Une représentation numérique (vecteur) d'un morceau de texte qui capture son sens sémantique.
Quel est l'objectif de l'étape de normalisation des vecteurs ?	Ajuster la magnitude de chaque vecteur pour qu'elle soit égale à 1.0.
À quoi sert une base de données vectorielle ?	Stocker, comparer et rechercher efficacement des listes de nombres (vecteurs d'embeddings).
Que se passe-t-il lorsqu'un utilisateur soumet une requête à l'application RAG ?	La requête est transformée en embedding, puis elle est utilisée pour interroger la base de données vectorielle.
Quel calcul est utilisé pour déterminer la similarité entre la requête utilisateur et les embeddings stockés ?	La similarité cosinus (cosine similarity).
Comment interprète-t-on le résultat de la similarité cosinus ?	Un score proche de 1 indique une forte similarité ; un score proche de -1 indique une faible similarité.
Quelle est la différence entre la similarité cosinus et la distance cosinus ?	La distance cosinus est calculée comme 1 moins la similarité cosinus.
Quelle est la dernière étape du pipeline RAG après avoir trouvé le chunk pertinent ?	Ajouter la requête utilisateur et le chunk pertinent au prompt, puis l'envoyer au modèle de langage (LLM).