Stratégies RAG : chunking, retrieval et ranking

Onze scripts et un notebook construisent un RAG sur Azure OpenAI et ChromaDB, puis remplacent une brique à la fois pour comparer les stratégies sur un même petit corpus (cinq fiches d'entreprises et l'article « Attention Is All You Need »).

1. 01Ingestion et recherche[1–2_*.py]

   Chargement, découpage, embeddings Azure OpenAI, persistance ChromaDB ; recherche top-k (k = 5).

2. 02Génération[3–4_*.py]

   Réponse contrainte au contexte retrouvé, puis version tenant compte de l'historique de conversation.

3. 03Trois découpages[5–7_*.py]

   Par caractères (taille fixe), sémantique (ruptures de sens), agentique (le LLM décide des frontières).

4. 04Recherche avancée[9–11_*.py]

   Seuil de similarité, MMR pour la diversité, multi-query (reformulations par le LLM) et Reciprocal Rank Fusion.

5. 05RAG multimodal[8_multi_modal_rag.ipynb]

   Extraction de texte, tableaux et images de PDF (Unstructured, Google Cloud Vision) et chunks enrichis.

• Comparaison qualitative : aucun jeu d'évaluation ni métrique de retrieval (précision@k, fidélité) n'est versionné.
• Corpus très petit ; scripts pédagogiques indépendants plutôt qu’une application.

• Mesurer chaque stratégie sur les questions synthétiques déjà rédigées (synthetic_questions.txt).