Gains :
- Comprendre comment fonctionne le RAG (fragmentation, accès, génération dépendante des ressources) et comment il réduit les hallucinations
- Capacité à augmenter la qualité des réponses en établissant une base de connaissances à jour, claire, sans conflit et disposant d'une seule source correcte.
- Capacité à demander au modèle « si ce n'est pas dans la source, dites-moi que vous ne savez pas » et à transformer les questions auxquelles il ne peut pas répondre en amélioration de la base de connaissances.
La réponse donnée par un robot ou un assistant d’agent est aussi bonne que les informations sur lesquelles elle est basée. Lorsque le client demande « La campagne continue-t-elle ? », la bonne réponse n'est pas dans la mémoire du modèle, mais dans la base de connaissances actuelle de l'institution. C'est pourquoi le cœur de l'intelligence artificielle des centres d'appels est la base de connaissances (KB) : une ressource à jour où les produits, les politiques, les FAQ, les procédures et les règles sont conservés par écrit. Et la méthode qui connecte de manière sécurisée cette base de connaissances à l'intelligence artificielle s'appelle RAG : Retrieval-Augmented Generation — au lieu d'inventer la réponse à partir de sa propre mémoire, le modèle récupère d'abord les informations pertinentes de la source (récupération), puis génère la réponse basée uniquement sur ces éléments (génération).
RAG est la méthode la plus puissante pour prévenir les hallucinations. Le modèle ne génère pas de chiffre dans sa tête pour la question « quel est le taux d'intérêt du prêt ? Il récupère le texte d'intérêt actuel de la base de connaissances et les réponses basées sur celui-ci. Dans cette unité, nous verrons comment mettre en place la base de connaissances, comment fonctionne RAG et comment une bonne base de connaissances détermine la qualité des réponses.
Comment fonctionne RAG : quatre étapes
Considérez RAG comme un bibliothécaire. Le client pose des questions ; Le système trouve d'abord les pages pertinentes sur l'étagère de droite de la bibliothèque, puis lit ces pages et écrit la réponse. Les étapes techniques sont les suivantes :
- Morceau : les longs documents de la base de connaissances sont divisés en petits morceaux significatifs (par exemple, chaque FAQ est un morceau). Parce que le modèle répond plus précisément à une question avec de petites pièces associées.
- Incorporation et indexation : chaque pièce est traduite sous une forme numérique représentant sa signification (intégration : une séquence de nombres représentant la signification du texte) et placée dans une base de données consultable. Il ne s’agit donc pas d’une « correspondance de mots » mais d’une « correspondance de sens » ; Même si le client demande « quand mon argent sera-t-il déposé ? », la partie « délai de remboursement » peut être trouvée.
- Récupération : les parties les plus proches de la question du client sont récupérées (par exemple les 3 à 5 parties les plus proches).
- Génération : Le modèle écrit la réponse en se basant UNIQUEMENT sur les pièces dessinées et indique la source si possible.
Le point critique se situe à l'étape 4 : il est demandé au modèle de « se fier uniquement aux pièces données, ou de dire qu'il ne sait pas ». Sans cette instruction, RAG n'empêche pas le montage du modèle.
Indice : la règle d'or de RAG : "Si ce n'est pas dans la source, il n'y a pas de réponse." Un bon système RAG dira « Je n'en suis pas sûr » à une question qui ne figure pas dans la base de connaissances ; ne comble jamais le vide avec des conjectures. La capacité d’un robot à dire « Je ne sais pas » est une fonctionnalité de sécurité et non une faiblesse.
Une bonne base de connaissances : la véritable source de qualité des réponses
Quelle que soit la qualité du RAG, si la base de connaissances est mauvaise, la réponse est mauvaise. La qualité de la base de connaissances est mesurée par :
fonctionnalité
mauvaise base de connaissances
Bonne base de connaissances
Actualité
Pas mis à jour depuis des mois
Mis à jour immédiatement une fois modifié
Clarté
Texte long et alambiqué
Articles courts sur un seul sujet
structures
Pile PDF en désordre
Substances dégradables étiquetées
Cohérence
Deux réponses contradictoires
Source unique de vérité
Portée
Il y a de nombreuses lacunes
Couvre les questions fréquemment posées
propriété
Personne n'est responsable
Chaque sujet a un propriétaire
Le problème le plus dangereux dans le contexte d'un centre d'appels est la contradiction : si deux délais de retour différents sont écrits dans la base de connaissances, RAG dira celui qu'il prendra et une réponse incohérente sera envoyée au client. C'est pourquoi le principe de la « source unique de vérité » est essentiel : les informations sont tenues à jour en un seul endroit ; Les références à cette source sont utilisées, pas des copies.
Étape par étape : créer un système de réponse pris en charge par RAG
- Nettoyez la base de connaissances : supprimez les articles obsolètes, conflictuels et en double. Faites en sorte que chaque article soit court et axé sur un seul sujet.
- Décomposez-le et étiquetez-le : ajoutez une balise de sujet et la date de la dernière mise à jour à chaque article.
- Établir l'accès : connectez un mécanisme qui extrait les pièces pertinentes lorsque cela vous est demandé (les outils RAG d'entreprise le fournissent).
- Écrivez une invite stricte : dites au modèle « comptez-vous uniquement sur les pièces fournies, citez la source ou dites que vous ne savez pas ».
- Citer la source : Montrer l'article sur lequel se base la réponse ; Cela donne à la fois confiance et facilite la vérification.
- Surveillez les lacunes : collectez les questions pour lesquelles le robot dit « Je ne sais pas » ; Ceux-ci montrent les lacunes de la base de connaissances et se nourrissent de là.
Quatre modèles copiables
1) Invite de réponse RAG stricte :
Réponse BASÉE sur les parties [SOURCE] suivantes. Règles : (1) utilisez uniquement les informations contenues dans la source, (2) si elles ne figurent pas dans la source, dites "Je n'ai aucune information précise à ce sujet, laissez-moi vous mettre en contact avec le représentant", (3) indiquez sur quel article il est basé comme [Source : numéro d'article], (4) citez le montant/la durée/l'état exactement à partir de la source, n'arrondissez pas/n'inventez pas. [SOURCE] : <<pièces extraites>>Question : "<<question client>>"
2) Rédaction d'articles dans la base de connaissances :
Convertissez le texte de politique dispersé suivant en un article de FAQ adapté à RAG. Format : Question (dans la langue du client) / Réponse courte (2-3 phrases) / Conditions (clause) / Date de dernière mise à jour / Balise de sujet. Marquez tous les points ambigus comme "à clarifier", faites semblant. Texte brut : <<texte>>
3) Rechercher les contradictions et les lacunes :
Examinez les articles suivants de la base de connaissances. (1) Marquez les paires d'articles qui sont EN CONFLIT les uns avec les autres (par exemple, période de retour différente). (2) Devinez les sujets qui seront fréquemment posés mais qui n’auront AUCUNE réponse. Regardez uniquement les articles donnés ; produire une nouvelle politique.Articles : <<liste>>
4) Amélioration du journal "Je ne sais pas":
Vous trouverez ci-dessous des questions auxquelles le bot n'a pas pu répondre (impossible de trouver une source). Regroupez-les par sujets et proposez le titre de l'article qui devrait être ajouté à la base de connaissances pour chaque groupe. N'inventez pas le contenu de la réponse, dites-moi simplement quel élément manque.Questions : <<liste>>
Invite faible/Invite forte
Invite faible :
Répondez à la question de retour du client.
Aucune source ; Le modèle peut correspondre de mémoire, la quantité/durée peut être erronée, cela ne peut pas être vérifié.
Invite puissante :
Répondez uniquement sur la base de la clause de politique de retour ci-dessous. S'il n'est pas disponible dans la source, dites "Je ne sais pas avec certitude". Citez la période et la condition textuellement, donnez la référence sous la forme de [Source : RETURN-03].[SOURCE : RETURN-03] : « Le produit non utilisé peut être retourné dans les 14 jours. Les produits personnalisés ne rentrent pas dans le champ d'application du retour. » Question : « Puis-je retourner le produit personnalisé que j'ai acheté il y a 20 jours ?
Différence : dépend de la source, référence obligatoire, interdiction de fabrication claire ; le modèle génère la bonne réponse (« 14 jours passés et personnalisé, non remboursable ») à partir de la source.
trois mini-cases
Cas 1 – Mettre fin à l’hallucination. La précision des réponses d'un robot de télécommunications aux questions de campagne était de 71 % dans une configuration sans RAG ; Le modèle constituait parfois d'anciennes campagnes. Lorsque les pages de campagne actuelles ont été connectées à RAG et que la règle « ne le dites pas si ce n'est pas dans la source » a été ajoutée, la précision a augmenté à 96 % et les plaintes concernant les « mauvais mots de campagne » ont presque pris fin.
Cas 2 — Le prix de la contradiction. Dans la base de connaissances d'une entreprise de commerce électronique, deux frais de port différents étaient inscrits sur deux pages (une page actuelle, une ancienne page oubliée). Le robot tirait quelqu'un au hasard et indiquait à certains clients un prix erroné. Lorsque l’ancienne page a été archivée selon le principe de source unique correcte, l’incohérence a disparu. Leçon : RAG ne résout pas la contradiction, il propage la contradiction telle qu'elle est.
Cas 3 — La valeur du journal « Je ne sais pas ». Dans une banque, le robot répondait « Je ne sais pas avec certitude » à environ 4 000 questions par mois. Lorsque ces questions ont été regroupées, on a constaté que 40 % concernaient « l'utilisation des cartes internationales » ; Il n’y avait aucun article à ce sujet. Lorsque les éléments pertinents ont été ajoutés, ces questions ont été résolues et le nombre de personnes travaillant sur ce sujet a diminué de 55 %. Le fait que le robot ait dit qu’il ne savait pas est devenu la feuille de route pour l’amélioration.
Erreurs courantes
- Répondre sans créer de lien vers la source. Sans RAG, le modèle correspond à des informations concrètes ; Toute réponse concrète doit dépendre de la source.
- Désactiver l'option "Je ne sais pas". Forcer le modèle à répondre à chaque question garantit l'ajustement.
- Ne pas effacer les informations contradictoires/anciennes. RAG propage la contradiction ; Une seule source correcte est essentielle.
- Négliger de déchiqueter. L'exportation de fichiers PDF volumineux tels quels perturbe l'accès précis ; Utilisez des articles courts sur un seul sujet.
- Cacher la source. Ne pas indiquer sur quoi repose la réponse affaiblit la vérification et la confiance.
Attention : RAG améliore la précision mais n'offre pas une garantie à 100 %. Le modèle peut parfois mal interpréter la pièce capturée. Par conséquent, les questions financières, juridiques et de sécurité nécessitent l’approbation humaine, même si la source est citée ; RAG réduit les hallucinations mais n'élimine pas la responsabilité.
En résumé
La base de connaissances et RAG constituent le fondement de la précision de l’IA des centres d’appels. RAG empêche en grande partie les hallucinations en empêchant le modèle d'ajuster la réponse de mémoire et en s'appuyant uniquement sur la source actuelle. Mais RAG ne vaut que par sa base de connaissances : une base de connaissances à jour, claire, structurée, sans conflit et disposant d’une source unique de vérité est essentielle. Dites au modèle "si ce n'est pas dans la source, dites-moi que vous ne savez pas", pointez la source et utilisez les questions auxquelles le bot ne peut pas répondre pour améliorer sa base de connaissances. Conservez le consentement humain malgré la source sur des questions à enjeux élevés.
Tâche de candidature
Rédigez 8 questions clients réelles/réalistes de votre secteur et 8 courts articles de la base de connaissances correspondants (chaque article : question, réponse courte, conditions, date, tag). Testez ensuite si le modèle peut dire « Je ne sais pas » en utilisant le modèle « 1) Invite de réponse Tight RAG » et en posant également une question, dont l'une ne figure pas dans la base de connaissances. Enfin, vérifiez vos articles avec "3) Analyse des contradictions et des lacunes".
liste de contrôle
- [ ] Chaque réponse concrète donnée par le bot/assistant dépend de la base de connaissances actuelle (via RAG).
- [ ] J'ai demandé au modèle "si ce n'est pas dans la source, dites-moi que vous ne savez pas" et je l'ai testé.
- [ ] Ma base de connaissances se compose d'articles à jour, clairs et portant sur un seul sujet.
- [ ] J'ai effacé les articles contradictoires et anciens ; Il n’existe qu’une seule source correcte pour toutes les informations.
- [ ] Les réponses indiquent sur quel article elles sont basées (source).
- [ ] Je collecte les questions « Je ne sais pas » et alimente la base de connaissances.