[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-rag-avance-qualite-evaluation-et-passage-a-l-echelle":3,"highlight-sql-SELECT d.id,\n       ":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a8c70-b343-11f1-a993-d8ca06000363","RAG avancé : qualité, évaluation et passage à l'échelle","rag-avance-qualite-evaluation-et-passage-a-l-echelle",null,"Ingénieurs IA, architectes, développeurs confirmés exploitant déjà un système de recherche augmentée.","-   Expérience de la mise en œuvre d'un système RAG.","-   diagnostiquer les causes d'une mauvaise pertinence dans un système RAG\n-   mettre en œuvre les techniques d'amélioration : reclassement, recherche hybride, découpage adapté\n-   construire un protocole d'évaluation reproductible\n-   dimensionner un système RAG pour un usage à grande échelle","--day1--\n\n## Diagnostiquer un système décevant\n\n-   Méthode de diagnostic : isoler recherche, génération et corpus\n-   Défauts de corpus : documents obsolètes, contradictoires, mal structurés\n-   Défauts de découpage et information coupée en deux segments\n-   Requêtes mal formulées par les utilisateurs et attentes irréalistes\n-   Grille d'analyse des échecs observés\n-   Travaux pratiques : diagnostic d'un système RAG dégradé fourni par le formateur\n\n--break--\n\n## Techniques d'amélioration\n\n-   Reformulation et expansion des requêtes\n-   Recherche hybride et fusion de classements\n-   Reclassement par modèle dédié et gain mesuré\n-   Découpage hiérarchique et récupération du contexte parent\n-   Graphes de connaissances et recherche structurée en complément\n-   Travaux pratiques : application successive des techniques et mesure du gain de chacune\n\n--day2--\n\n## Évaluation rigoureuse\n\n-   Construction d'un jeu d'évaluation représentatif et sa maintenance\n-   Métriques de recherche et métriques de génération\n-   Évaluation par modèle évaluateur : mise en œuvre et biais\n-   Détection de régression lors d'un changement de composant\n-   Automatisation de l'évaluation dans la chaîne de livraison\n-   Travaux pratiques : mise en place d'une évaluation automatisée et détection d'une régression\n\n--break--\n\n## Passage à l'échelle et exploitation\n\n-   Volumétrie documentaire importante : indexation, mise à jour, coût de stockage\n-   Latence et optimisation de la chaîne complète\n-   Mise en cache des recherches et des réponses fréquentes\n-   Multi-corpus, multi-tenant et cloisonnement\n-   Supervision continue de la qualité et boucle d'amélioration\n-   Travaux pratiques : optimisation de la latence et du coût d'un système à forte volumétrie","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","14.00","L2-ITE-08","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","1760.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Deux jours pour diagnostiquer méthodiquement une mauvaise pertinence, mettre en œuvre le reclassement, la recherche hybride et un découpage adapté, construire un protocole d'évaluation reproductible et dimensionner le système à grande échelle.","Un système RAG convaincant en démonstration déçoit souvent une fois confronté au volume et à la diversité réelle des questions. Cette formation de deux jours part du diagnostic méthodique des causes de mauvaise pertinence — découpage inadapté, embeddings mal choisis, absence de reclassement — pour appliquer les techniques correctives éprouvées : recherche hybride combinant similarité vectorielle et recherche lexicale, reclassement par un modèle dédié, et découpage adapté à la structure des documents. Les participants construisent un protocole d'évaluation reproductible fondé sur des métriques de pertinence et de fidélité, puis étudient le dimensionnement d'un système RAG pour un usage à grande échelle : latence, coût et volumétrie de l'index. Elle s'adresse aux ingénieurs IA, architectes et développeurs confirmés exploitant déjà un système de recherche augmentée.","#3B5BDB","mdi:chart-bell-curve-cumulative","sql","SELECT d.id,\n       0.6 * (1 - (d.embedding \u003C=> :vecteur)) +\n       0.4 * ts_rank(d.contenu_tsv, plainto_tsquery('french', :requete)) AS score\nFROM documents d\nWHERE d.contenu_tsv @@ plainto_tsquery('french', :requete)\n   OR d.embedding \u003C=> :vecteur \u003C 0.5\nORDER BY score DESC\nLIMIT 10;","Amélioration des systèmes RAG en production : diagnostic de pertinence, reclassement, recherche hybride, évaluation et passage à l'échelle.","Diagnostiquez et corrigez les systèmes RAG qui déçoivent en production : reclassement, recherche hybride et évaluation reproductible.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-sql\">\u003Cspan class=\"hljs-keyword\">SELECT\u003C/span> d.id,\n       \u003Cspan class=\"hljs-number\">0.6\u003C/span> \u003Cspan class=\"hljs-operator\">*\u003C/span> (\u003Cspan class=\"hljs-number\">1\u003C/span> \u003Cspan class=\"hljs-operator\">-\u003C/span> (d.embedding \u003Cspan class=\"hljs-operator\"><=>\u003C/span> :vecteur)) \u003Cspan class=\"hljs-operator\">+\u003C/span>\n       \u003Cspan class=\"hljs-number\">0.4\u003C/span> \u003Cspan class=\"hljs-operator\">*\u003C/span> ts_rank(d.contenu_tsv, plainto_tsquery(\u003Cspan class=\"hljs-string\">'french'\u003C/span>, :requete)) \u003Cspan class=\"hljs-keyword\">AS\u003C/span> score\n\u003Cspan class=\"hljs-keyword\">FROM\u003C/span> documents d\n\u003Cspan class=\"hljs-keyword\">WHERE\u003C/span> d.contenu_tsv @@ plainto_tsquery(\u003Cspan class=\"hljs-string\">'french'\u003C/span>, :requete)\n   \u003Cspan class=\"hljs-keyword\">OR\u003C/span> d.embedding \u003Cspan class=\"hljs-operator\"><=>\u003C/span> :vecteur \u003Cspan class=\"hljs-operator\"><\u003C/span> \u003Cspan class=\"hljs-number\">0.5\u003C/span>\n\u003Cspan class=\"hljs-keyword\">ORDER\u003C/span> \u003Cspan class=\"hljs-keyword\">BY\u003C/span> score \u003Cspan class=\"hljs-keyword\">DESC\u003C/span>\nLIMIT \u003Cspan class=\"hljs-number\">10\u003C/span>;\u003C/code>\u003C/pre>",1789740846165]