Blog
J’écris sur Java, l’architecture logicielle, les design patterns, l’intelligence artificielle appliquée, le RAG, les agents IA et l’ingénierie logicielle. À travers mes articles, je partage des retours d’expérience, des analyses techniques et des approches concrètes pour concevoir des applications robustes, maintenables et utiles.
RAG sans base vectorielle dédiée : simplifier l'infrastructure sans déplacer le problème
Un vector store embarqué peut simplifier un système RAG, à condition de comprendre où se déplacent la persistance, la disponibilité et les responsabilités opérationnelles.
Observer avant d'optimiser
Avant d'optimiser un système LLM, il faut rendre visible sa chaîne de décision pour comprendre ce qu'il fait réellement, au-delà de la réponse affichée.
Figer le comportement d'un système LLM avant de le faire évoluer
Changer de modèle ne suffit pas à garantir la stabilité du comportement. Les tests de caractérisation permettent de protéger les invariants métier et de gouverner l'évolution des systèmes LLM.
RAG en pratique : industrialiser les données non structurées pour les usages IA
Qualité des corpus, sécurité, gouvernance, indexation et évaluation : les fondations nécessaires pour passer du POC IA à des usages fiables et durables.
RAG en pratique : du retrieval au raisonnement métier
Une fois la donnée préparée, le vrai enjeu consiste à transformer un système RAG capable de retrouver des passages en un système capable de produire des réponses métier exploitables, structurées et justifiées.
RAG en pratique : pourquoi tout commence par l’ingénierie de la donnée
Dans un projet RAG réel, la qualité des réponses dépend souvent moins du modèle que de la manière dont les documents sont collectés, nettoyés, structurés et découpés. Retour d’expérience sur un projet mené autour d’un corpus métier complexe.
RAG avec Spring AI : Du Naïf à l'Avancé
Après avoir construit le pipeline d'ingestion, il est temps d'interroger nos données. Dans cet article, nous comparons le RAG naive avec recherche par similarité au RAG avancé utilisant la réécriture, l'expansion et la compression de requêtes avec le RetrievalAugmentationAdvisor.
