Quel est le rôle du découpage de texte (text chunking) dans le pipeline RAG ?	Diviser un document source en morceaux de texte plus petits pour le traitement.
Qu'est-ce qu'un embedding de texte ?	Une représentation numérique (vecteur) qui capture le sens sémantique d'un morceau de texte.
Quel est l'objectif de la normalisation des vecteurs ?	Ajuster la magnitude de chaque vecteur pour qu'elle soit égale à 1.0.
Quel type de base de données est optimisé pour stocker et rechercher des embeddings ?	Une base de données vectorielle (Vector Database).
Que doit subir la requête utilisateur avant d'être comparée aux embeddings stockés ?	Elle doit être transformée en un embedding en utilisant le même modèle que celui utilisé pour les documents.
Qu'est-ce que la similarité cosinus (cosine similarity) ?	La mesure de l'angle entre deux vecteurs pour déterminer leur proximité sémantique.
Quelle est la plage de valeurs possible pour la similarité cosinus ?	Entre -1 et 1.
Comment la distance cosinus est-elle calculée par rapport à la similarité cosinus ?	Elle est calculée comme 1 moins la similarité cosinus (1 - Cosine Similarity).
Quelle est la fonction principale de la base de données vectorielle dans le RAG ?	Stocker, comparer et rechercher les embeddings les plus proches de la requête utilisateur.
Quelle est la dernière étape du pipeline RAG après la recherche de l'embedding pertinent ?	Ajouter la question utilisateur et le chunk récupéré au prompt avant de l'envoyer au LLM.