مسار

RAG de A à Z

Du RAG en cent lignes au RAG managé à l'échelle : découpage, recherche hybride, multimodal, graphe, évaluation.

متقدم 30h

حالات الاستخدام📚 Interroger ses documents 💬 Automatiser le support client

المنصات🔑 Gemini API (Google AI Studio)🧪 Vertex AI (Gemini Enterprise Agent Platform)🛠️ Google ADK (Agent Development Kit)

ابدأ المسار

التقدّم 0% · 0/11

دورةمتوسطEmbeddings et recherche sémantiqueConstruire un moteur de recherche sémantique sur 60 fiches produit avec gemini-embedding-2, numpy et sqlite : recherche multilingue, produits similaires, dédoublonnage, clustering, et rappel@5 mesuré pour de vrai.10 دروس · 4h
دورةمبتدئRAG sur PDF en local avec SQLiteConstruire en 200 lignes de Python un RAG qui lit des PDF, les indexe dans SQLite avec les embeddings Gemini, répond en citant la page et ne réindexe que les fichiers modifiés.4 دروس · 2h30
دورةمتوسطFAQ de SAV : citations obligatoires et refusConstruire un assistant de service client qui répond avec la FAQ en citant ses sources, dit « je ne sais pas » hors périmètre grâce à un seuil calibré, et journalise les questions non couvertes ; version chaîne simple et version agent ADK.4 دروس · 3h
دورةمتقدمContrats : découpage par structure et métadonnéesConstruire un RAG sur des contrats qui découpe par articles et clauses, filtre par type, partie et date, répond aux questions comparatives par un tableau cité et produit un récapitulatif des contrats en sortie structurée.4 دروس · 3h30
دورةمتقدمRAG hybride : BM25, fusion RRF et reranking par LLMCombiner recherche par mots-clés (BM25) et recherche vectorielle, fusionner les classements avec RRF, les retrier avec Gemini, puis mesurer le gain de rappel@5 et de MRR sur 25 questions de référence.4 دروس · 3h
دورةخبيرRAG multimodal : interroger les graphiques, tableaux et schémas d'un PDFFaire décrire les figures d'un PDF par Gemini à l'indexation, indexer descriptions et texte avec gemini-embedding-2, joindre l'image elle-même à la réponse, et mesurer le gain face à un RAG texte seul : 0/10 contre 10/10 sur les questions dont la réponse est dans une figure.4 دروس · 3h30
دورةخبيرGraphRAG léger : entités, relations et questions multi-sautsExtraire entités et relations avec une sortie structurée Gemini, les ranger dans un graphe networkx, détecter et résumer des communautés, puis répondre aux questions relationnelles (« qui est lié à… ») mieux qu'un RAG vectoriel, mesuré sur 15 questions de 1 à 3 sauts.4 دروس · 3h30
دورةمتقدمVertex AI RAG Engine : corpus, recherche ancrée et agent ADKAlimenter un corpus Vertex AI RAG Engine depuis Cloud Storage, régler le découpage, obtenir des réponses Gemini ancrées avec leurs sources, brancher le corpus dans un agent ADK, puis tout supprimer sans laisser de facture.4 دروس · 2h30
دورةمتقدمVertex AI Search : data store, recherche filtrée et réponses citéesCréer par l'API un data store Vertex AI Search alimenté depuis Cloud Storage, une application de recherche, obtenir des réponses résumées avec citations et des filtres sur les métadonnées, comprendre le lien avec Gemini Enterprise, puis tout supprimer.4 دروس · 2h30
دورةخبيرRAG agentique avec ADK et BigQuery VECTOR_SEARCHStocker morceaux et embeddings dans une table BigQuery, chercher avec VECTOR_SEARCH combiné à des filtres SQL paramétrés, et confier à un agent ADK la décision de chercher, la reformulation et le choix des filtres, avec un budget de recherches et un nettoyage vérifié.5 دروس · 3h
دورةمتوسطRAG sur vos documents Google Drive (puis OneDrive, SharePoint) — sur Google CloudQuatre kits RAG testés en vrai sur vos documents Drive, SharePoint et OneDrive : RAG Engine + synchro, Gemini Enterprise natif, hybride, et 100 % local avec Claude.29 دروس · 8h

Un RAG qui répond juste sur la démo et faux sur la question du directeur financier a presque toujours un problème de recherche, pas de génération. Chaque étape de ce parcours ajoute une technique et mesure son effet sur un jeu de questions de référence : vous saurez ce qui améliore vraiment votre cas, et ce qui ne fait qu'ajouter de la complexité.

Ce que vous saurez faire à la fin : découper selon la structure des documents, combiner recherche lexicale et vectorielle, reclasser, indexer images et tableaux, répondre aux questions relationnelles avec un graphe, refuser quand l'information manque, puis passer à RAG Engine, Vertex AI Search ou BigQuery selon le volume et la gouvernance.