La recherche d'information (RI) et la Génération Augmentée de Récupération (GAR) ne sont efficaces que si les informations extraites d'une base de données à la suite d'une requête sont pertinentes par rapport à la requête et à son application.

Trop souvent, les requêtes renvoient des résultats sémantiquement similaires mais ne répondent pas à la question posée. Elles peuvent également renvoyer des éléments non pertinents qui peuvent détourner le LLM des résultats corrects. Ce cours enseigne des techniques de recherche avancées pour améliorer la pertinence des résultats récupérés. Les techniques couvertes incluent : 1. L'expansion des requêtes : L'expansion des requêtes de l'utilisateur améliore la recherche d'informations en incluant des concepts et des mots-clés connexes. L'utilisation d'un LLM rend cette technique traditionnelle encore plus efficace. Une autre forme d'expansion permet au LLM de suggérer une réponse possible à la requête, qui est ensuite incluse dans la requête. 2. Reranking de l'encodeur croisé : Le reclassement des résultats de recherche pour sélectionner les résultats les plus pertinents par rapport à votre requête améliore vos résultats. 3. Formation et utilisation d'adaptateurs d'intégration : L'ajout d'une couche d'adaptateurs pour remodeler les embeddings peut améliorer la recherche en mettant l'accent sur les éléments pertinents pour votre application.