Voici une nouvelle revue systématique de la RAG (Retrieval Enhancement Generation) dans les applications d'entreprise. Les entreprises ont encore un long chemin à parcourir avant de pouvoir pleinement exploiter le système RAG. Il ne faut pas supposer que ce système est prêt pour une production de masse. L'écart entre les prototypes en laboratoire et les déploiements réels en entreprise est plus important que la plupart des gens ne l'imaginent. Cette revue systématique de la littérature analyse 77 études de haute qualité sur les systèmes RAG + LLM dans la gestion des connaissances d'entreprise et l'automatisation des documents, couvrant les publications de 2015 à 2025. Les résultats de la recherche révèlent une architecture technologique centralisée : - 63,6 % des implémentations utilisent le modèle GPT. - 80,5 % s'appuient sur des frameworks de recherche standard comme FAISS ou Elasticsearch. - 66,2 % préfèrent utiliser une infrastructure cloud pour la mise à l'échelle. Toutefois, l'écart entre « laboratoire et marché » reste important. Bien que les tâches de récupération et de classification utilisent souvent des méthodes de validation rigoureuses, telles que la validation croisée k-fold (93,5%), l'évaluation générative repose principalement sur des ensembles de données statiques en raison des limitations de calcul. Seulement 13 % des recherches ont déployé des prototypes RAG dans des environnements d'entreprise réels. Il existe actuellement cinq principaux défis récurrents : - Contrôle des hallucinations (48,1 % des études). - Confidentialité et sécurité des données (37,7%). - Latence et évolutivité (31,2%). - Adaptation du domaine (23,4%). - L'impact commercial est difficile à mesurer (15,6 %). Les indicateurs techniques étaient bien couverts, la précision, le rappel et l'exactitude apparaissant dans 80,5 % des études, et ROUGE et BLEU dans 44,2 %. Cependant, seulement 19,5 % des études incluaient des évaluations de la collaboration homme-machine, et les études de cas réelles mesurant les résultats pour l'utilisateur final restent rares. L'ajustement fin sur des données spécifiques au domaine permet généralement d'obtenir une amélioration de 10 à 20 % du gain factuel par rapport aux méthodes sans exemple. La recherche hybride (combinant des vecteurs denses avec des graphes de connaissances) est apparue dans 23,1 % des études et a généralement amélioré l'interprétabilité et la précision. Cette recherche propose une feuille de route fondée sur les données pour combler le fossé entre les prototypes académiques et les systèmes de production. Cette technologie fonctionne dans des environnements contrôlés ; cependant, la récupération préservant la confidentialité, une latence inférieure à 100 millisecondes et un cadre d’évaluation axé sur les besoins de l’entreprise restent des défis à relever pour son déploiement en entreprise. 🔖 Lien du signalement :
