IA et RAG
Avant que l'IA ne rédige sa réponse, le RAG lui fournit une base issue de vos connaissances internes.
Le RAG (génération augmentée par récupération) est un mécanisme par lequel l'IA recherche dans vos documents internes avant de répondre et reçoit ce qu'elle trouve comme base de sa réponse. Dans Kanata, les connaissances internes issues de votre travail, comme les comptes rendus de réunion et les supports de formation, sont enregistrées dans Library et gérées par dossiers et droits de consultation. L'agent IA répond et réalise des tâches en s'appuyant sur les documents de Library.
Vidéo : IA et RAG
Présentation du fonctionnement du RAG, des raisons d'échec des projets de RAG interne et de la construction d'un RAG dans Kanata.
Roles
Le lien entre IA et RAG
L'IA générative répond avec des connaissances générales arrêtées à la date de son entraînement. Elle ne connaît ni vos règles internes ni les décisions de la réunion de la semaine dernière. Le RAG (génération augmentée par récupération) est un mécanisme par lequel l'IA recherche dans vos documents internes avant de répondre et reçoit ce qu'elle trouve comme base de sa réponse. Voici les rôles de l'IA et du RAG, et leur traitement dans Kanata.
| Élément | Rôle | Dans Kanata |
|---|---|---|
| Modèle d'IA (IA générative) | Comprend les questions et rédige réponses et textes | Au choix : GPT, Claude ou Gemini |
| RAG (génération augmentée par récupération) | Recherche dans les documents internes et fournit le résultat à l'IA comme base | Consulte les connaissances internes stockées dans Library, dans la limite des droits |
| Connaissances internes | Les informations sur lesquelles reposent réponses et travail | Comptes rendus, supports de formation, règles internes et documents stockés dans Library |
IA générative seule ou combinée au RAG
| Critère | IA générative seule | Combinée au RAG |
|---|---|---|
| Base des réponses | Connaissances générales jusqu'à l'entraînement | Documents internes et connaissances générales |
| Informations internes récentes | Non prises en compte | Prises en compte dès la mise à jour des documents, sans réentraîner le modèle |
| Affichage des sources | Difficile | Peut afficher le nom des documents consultés |
| Réentraînement du modèle | — | Inutile |
Why it fails
Trois raisons pour lesquelles un RAG interne échoue
Documents dispersés et anciennes versions mélangées
L'IA risque de répondre avec des informations obsolètes.
Droits de consultation mal conçus
Le contenu de documents que l'utilisateur n'a pas le droit de voir peut apparaître dans les réponses.
Aucun mécanisme d'amélioration
La qualité des réponses ne progresse pas et l'outil cesse d'être utilisé.
Kanata répond à ces problèmes par la gestion des versions et des sources dans Library, des droits par projet et par dossier, et un mécanisme qui accumule dans Library les comptes rendus et les documents créés par l'IA.
How it works
Comment le RAG est construit dans Kanata
Vos connaissances internes deviennent une base de données qui travaille automatiquement avec l'IA.
Les connaissances internes issues de votre travail, comme les comptes rendus et les supports de formation, s'accumulent dans Library, et vous définissez les dossiers de référence et le modèle d'IA de chaque agent. Vous examinez les résultats des réponses et des actions, puis mettez à jour ou ajoutez des documents.

01
Collecter et organiser les données
Collect & Organize
Les comptes rendus de l'Enregistrement IA, les supports d'e-Learning et les données des applications AppStudio sont enregistrés dans Library au fil du travail quotidien. Les règles et procédures internes sont créées sous forme de documents et gérées avec des droits de consultation et des versions par dossier.

02
Connecter applications et IA
Connect Apps & AI
Lorsque vous définissez les dossiers consultés par chaque agent IA, leur contenu devient une source candidate. L'agent IA répond en consultant les documents dans la limite des droits de consultation de l'utilisateur et, après validation du plan selon le niveau d'autonomie, utilise les applications et fonctions de Studio autorisées par ses droits d'exécution.

03
Améliorer les données
Improve
Vérifiez les réponses et les sources à partir des questions internes fréquentes, puis mettez à jour les documents obsolètes et ajoutez ceux qui manquent. Les comptes rendus et documents créés par l'agent IA s'accumulent aussi dans Library.
Les résultats d'usage deviennent la base de la réponse suivante
How to build
Construire un RAG dans Kanata
Les étapes pour créer, avec un agent IA, un assistant qui répond à partir des connaissances internes. Tout se règle à l'écran, sans conception de base de données ni programmation.
- Enregistrer les documents
Créez des documents dans Library pour y inscrire vos supports. Les comptes rendus de réunion proviennent de l'Enregistrement IA, et les contenus de formation de l'e-Learning. - Organiser et définir les droits
Classez les documents dans des dossiers et définissez qui peut les consulter. Les règles internes peuvent être versionnées sous forme de documents composés d'une couverture, de catégories et de pages. - Créer un agent IA
Créez un agent IA et définissez son nom, son icône et des instructions personnalisées décrivant son rôle et sa façon de répondre. - Définir le périmètre de consultation et les droits d'exécution
Définissez les dossiers de référence, les droits d'exécution (recherche seule, jusqu'à la création de documents, jusqu'à l'utilisation d'applications), le niveau d'autonomie et le modèle utilisé. - Vérifier et améliorer les réponses
Posez dans le chat les questions internes fréquentes et vérifiez les réponses. Mettez à jour les documents obsolètes et continuez d'accumuler dans Library les comptes rendus et documents créés par l'IA.
Reference scope
Définir le périmètre de consultation
Définissez pour chaque agent IA ce sur quoi l'IA peut fonder ses réponses.
| Réglage | Rôle | Où le régler |
|---|---|---|
| Dossiers de référence | Les dossiers que l'agent IA consulte comme base. Tout leur contenu est candidat : inutile de sélectionner les fichiers un par un | Paramètres de l'agent IA |
| Droits de consultation | Seuls les documents que l'utilisateur de la conversation peut consulter servent de base | Droits des dossiers |
| Recherche web | Lit des pages externes. À activer ou non pour chaque agent | Droits d'exécution de l'agent IA |
| Instructions personnalisées | Précisez comment répondre aux questions non couvertes par les documents et ce à quoi il ne doit pas répondre (sujets interdits) (jusqu'à 8 000 caractères) | Paramètres de l'agent IA |
Settings
Paramètres de l'agent IA
Pour chaque agent IA, décrivez son rôle et sa façon de répondre dans les instructions personnalisées, puis définissez ses dossiers de référence et ses droits d'exécution. Vous pouvez créer des agents par service, comme un « guichet administratif » ou un « support commercial », et les partager dans le projet.
| Réglage | Ce que vous pouvez définir |
|---|---|
| Nom et icône | Le nom et l'icône de l'agent (association d'un pictogramme et d'une couleur de fond) |
| Instructions personnalisées | Décrivez son rôle, sa façon de répondre et les règles à suivre en un seul texte (jusqu'à 8 000 caractères). Par exemple : « Réponds en tant que guide de la formation interne », « Affiche toujours les documents sources », « Ne réponds pas aux questions sur les évaluations individuelles » |
| Dossiers de référence | Les dossiers consultés comme base. Seul ce que l'utilisateur demandeur peut consulter est utilisé |
| Droits d'exécution | Recherche seule, jusqu'à la création de documents, jusqu'à l'utilisation d'applications, ou réglages détaillés par outil |
| Niveau d'autonomie | Suggestion seule, validation du plan puis exécution, ou exécution automatique (seuls les administrateurs du projet peuvent choisir l'exécution automatique) |
| Modèles | Le modèle par défaut dans le chat et les modèles disponibles |
Enregistrez les consignes fréquentes comme prompts dans Library et partagez-les dans le projet.
Data
Données que vous pouvez intégrer
| Type | Exemples | Mode d'inscription dans Library |
|---|---|---|
| Documents | Règles internes, manuels, FAQ | Création de documents |
| Réunions | Enregistrements Zoom, Google Meet et Microsoft Teams, comptes rendus | Créés par l'Enregistrement IA |
| Formation | Vidéos et supports de formation | Créés dans l'e-Learning |
| Données d'applications | Enregistrements comme les rapports quotidiens ou le suivi des affaires | Saisis dans les applications créées avec AppStudio |
Les types de fichiers et les tailles maximales varient selon la fonctionnalité (par exemple, vidéos d'e-Learning jusqu'à 2 Go).
Tips
Conseils pour améliorer la précision du RAG
Security
Sécurité et droits
- Nous n'utilisons pas vos données saisies pour entraîner des modèles d'IA.
- Les documents consultables et le périmètre consulté par l'IA sont cloisonnés par projet, application et dossier.
- L'agent IA ne s'appuie que sur les documents que l'utilisateur de la conversation peut consulter.
- La formule ENTERPRISE prend en charge une évaluation de sécurité lors du déploiement.
Use cases
Où le RAG est utilisé
Demandes RH et administratives
Apporte une première réponse fondée sur le règlement et les règles internes ; les questions sans base sont traitées par le personnel.
Guide des procédures informatiques
Accompagne la configuration et les demandes à partir du manuel de chaque système.
Préparation des propositions commerciales
Structure le plan et les points à vérifier d'une proposition à partir des propositions passées et des comptes rendus de rendez-vous commerciaux.
Support client
Rédige des projets de réponse à partir des FAQ et de la documentation produit, que le personnel vérifie avant envoi.
FAQ
FAQ
QQuelle est la différence entre l'IA générative et le RAG ?
L'IA générative (grands modèles de langage) est une IA qui comprend les questions et rédige réponses et textes. Le RAG est un mécanisme par lequel l'IA recherche dans les documents internes avant de répondre et reçoit ce qu'elle trouve comme base. Dans Kanata, le RAG recherche dans les connaissances internes stockées dans Library, dans la limite des droits, et le modèle d'IA choisi parmi GPT, Claude et Gemini répond sur cette base.
QQuelle est la différence entre le RAG et le fine-tuning ?
Le fine-tuning ajoute un entraînement au modèle d'IA lui-même. Le RAG laisse le modèle inchangé et recherche dans les documents internes au moment de répondre pour s'en servir de base. Comme les mises à jour de documents sont prises en compte sans réentraîner le modèle et que les noms des documents peuvent être cités comme sources, le RAG convient particulièrement à l'exploitation des connaissances internes. Kanata exploite les connaissances internes selon l'approche RAG.
QPeut-on utiliser nos comptes rendus et documents existants ?
Oui. Les supports existants peuvent être créés sous forme de documents et inscrits dans Library. Les comptes rendus créés avec l'Enregistrement IA servent directement de base à l'agent IA.
QPeut-on séparer les documents consultés par l'agent de chaque service ?
Définissez les droits par projet et par dossier, ainsi que les dossiers de référence de chaque agent IA. Par exemple, un agent RH peut ne consulter que les règles RH, et un agent commercial que les propositions et comptes rendus.
QQuels modèles d'IA sont disponibles ?
Vous avez le choix entre GPT d'OpenAI, Claude d'Anthropic et Gemini de Google. Même avec un seul agent, vous pouvez changer de modèle à chaque question depuis le champ de saisie des messages privés, parmi les modèles autorisés pour cet agent.
QEst-il sûr d'enregistrer des documents confidentiels ?
Kanata n'utilise pas vos données saisies pour entraîner des modèles d'IA. Les droits de consultation des documents et le périmètre consulté par l'IA sont cloisonnés par les droits des dossiers et les paramètres des agents. Pour en savoir plus, consultez Sécurité.
Dernière mise à jour :