Aller au contenu

RAGAS

📝 Définition courte

Framework qui évalue un système RAG en séparant la qualité du retrieval et la fidélité de la réponse générée.

📖 Définition détaillée

RAGAS mesure notamment :

  • faithfulness : la réponse est-elle supportée par les contextes récupérés ?
  • answer relevancy : la réponse répond-elle vraiment à la question ?
  • context precision : les passages récupérés sont-ils pertinents ?
  • context recall : le retrieval retrouve-t-il les informations nécessaires ?

L’intérêt est de diagnostiquer où le système échoue : mauvais documents récupérés, bonne source mal exploitée, réponse hors sujet ou hallucination.

💡 Pourquoi c’est important en IA on-premise

Beaucoup d’assistants locaux reposent sur le RAG pour exploiter des documents internes. RAGAS aide à mesurer la qualité de cette couche sans se limiter à une impression subjective.

⚠️ Pièges fréquents

  • Croire qu’un bon modèle compense un mauvais retrieval.
  • Mesurer seulement la réponse finale sans vérifier les passages récupérés.
  • Remplacer toute revue humaine par un score automatique.

🔗 Voir aussi

Donner mon avis

Tout est facultatif : une seule réponse suffit. Ce site n'envoie rien : c'est vous qui envoyez, par le moyen de votre choix.

Votre notePas de note
Votre avis porte sur
Sur quoi ? (plusieurs choix possibles)
Ce qui sera envoyé
Envoyer par e-mail

Privé, sans compte : ouvre votre messagerie avec le message prêt, pour ia-on-prem@damien.becherini.fr.

Ouvrir un ticket GitHub ↗

Public, avec un compte GitHub. Vous relisez le ticket avant de le publier.

Pour le coller où vous voulez.

Donnez au moins une note, un sujet ou un message pour pouvoir envoyer.