FR
S’inscrireSe connecter

Comment fonctionne la RAG

Des supports de cours aux réponses fondées

La RAG associe l’IA générative aux sources de connaissances choisies par l’enseignant, pour que l’appui de l’IA dans un cours soit maîtrisable, explicable et adapté au contexte.

Le processus

Quatre étapes d’une application RAG propre à un cours

  1. 1Récupérer

    La question d’un apprenant interroge les connaissances du cours constituées par l’enseignant — notes de cours, diapositives, articles, examens — et renvoie les passages les plus pertinents.

  2. 2Enrichir

    Les passages retrouvés et le profil de l’apprenant sont ajoutés à l’invite, afin que les connaissances de l’établissement façonnent une réponse pertinente et adaptée au contexte.

  3. 3Générer

    Un LLM européen rédige la réponse à partir de ce contexte et indique les sources utilisées, pour que les apprenants puissent vérifier chaque affirmation.

  4. 4Pour l’éducation

    Les enseignants conçoivent et valident chaque étape dans la boîte à outils RAG4Edu — avec des contrôles RGPD et règlement sur l’IA, et sans compétences avancées en IA.

Connaissances du cours diapositives · notes de cours articles · examens · jeux de données sélectionnées par l’enseignant Ingestion et indexation embeddings · métadonnées Question de l’apprenant ou tâche de groupe Récupérer top-k des passages pertinents Enrichir l’invite contexte + profil de l’apprenant Générer LLM européen Réponse avec sources citées Enseignant conçoit · valide Contrôle RGPD · règlement IA sans code / low-code Chaîne RAG4Edu : modulaire, documentée, modèles hébergés dans l’UE, enrichissement adapté à l’apprenant. Les enseignants la construisent et la configurent avec la boîte à outils RAG4Edu — sans compétences avancées en IA.
Au cœur d’une application RAG propre à un cours : l’enseignant constitue la base de connaissances, la récupération y ancre chaque réponse et la génération s’appuie sur des LLM européens.

Pourquoi s’y fier dans un cours

  • Fondé sur des sourcesLes réponses s’appuient sur la base de connaissances constituée par l’enseignant pour le cours.
  • Sources citéesLes apprenants voient sur quels passages s’appuie une réponse et peuvent les vérifier.
  • Européen et conformeLLM basés dans l’UE et infrastructure EuroHPC, conception conforme au RGPD, en accord avec le règlement européen sur l’IA.
  • Ouvert et réutilisableLe pipeline, la boîte à outils et les modèles sont publiés sous licence ouverte.

Outils

Ce que RAG4Edu construit

Le projet développe des composants ouverts que les enseignants et les établissements peuvent réutiliser.

Chaîne et cadre RAG4EduSpécification conceptuelle et technique, un prototype opérationnel déployable (ingestion, recherche sémantique, génération) et des mécanismes d’enrichissement adaptés à l’apprenant.
Chatbots et boîte à outils RAG4EduOutils auteur pour créer et configurer des chatbots et agents RAG propres à un cours, des applications multilingues d’études de cas, des modèles et de la documentation.
Cadre de conception et outil de formation de groupesCritères, sources de données, logique de décision et mécanismes de transparence pour la formation de groupes assistée par l’IA, avec des modèles de scénarios d’apprentissage collaboratif.
Services d’intégration et d’appuiSpécification et intégration de LLM et de services d’IA basés dans l’UE, d’embeddings, de la gestion des jetons et de fonctions de conformité pour les pilotes.
Se former Résultats & ressources