Bases de connaissances et système RAG
SecureAI utilise la Retrieval-Augmented Generation (RAG) pour connecter les modèles d’IA à vos données et documents privés, garantissant ainsi des réponses sécurisées, précises et contextuelles.Qu’est-ce que RAG ?
Retrieval-Augmented Generation (RAG) est une technique d’IA qui combine des modèles de langage avec des sources de connaissances externes. Au lieu de vous fier uniquement aux données pré-entraînées du modèle :- Traitement des requêtes : le système analyse l’invite de l’utilisateur pour identifier les exigences de connaissances pertinentes.
- Récupération de connaissances : la recherche sémantique récupère les morceaux de documents pertinents de votre index.
- Augmentation du contexte : le contexte récupéré est injecté dans l’invite du modèle.
- Génération de réponse : l’IA génère une réponse factuelle et fondée citant vos documents.
Types d’index dans SecureAI
Les index sont des bases de connaissances structurées classées par accessibilité :1. Index personnels
- Zero-Knowledge Privacy : Vos fichiers et conversations sont cryptés avec des clés de locataire/utilisateur.
- Création :
- Utilisateurs : ouvrez l’interface de discussion, cliquez sur le sélecteur d’index à côté du sélecteur de modèle, passez à l’onglet Personnel et cliquez sur +.
- Administrateurs : Allez dans Admin ? Gestion des indices ? Créez un index et attribuez-le à un utilisateur spécifique.
2. Index de groupe
- Collaboration : plusieurs membres de l’équipe peuvent interroger et contribuer à des documents à la même base de connaissances.
- Création :
- Allez dans Admin ? Gestion de groupe ? Créez un groupe, attribuez des membres et associez un index de groupe partagé.
3. Indices mondiaux
- Normes à l’échelle de l’entreprise : référentiels centralisés pour la conformité de l’entreprise, les termes juridiques et les directives opérationnelles.
- Création : Allez dans Admin ? Gestion des indices ? Créez un index et définissez la portée sur Global.
Comment fonctionne l’indexation
Lorsque vous téléchargez des fichiers (PDF, documents Word, CSV, JSON, Markdown ou texte brut) :Document brut --? Extraction de texte --? Chunking sémantique --? Incorporations vectorielles --? Stockage vectoriel (index)
- Traitement des documents : le texte et les métadonnées (horodatages, noms de fichiers) sont extraits et nettoyés.
- Chunking : le contenu est divisé en morceaux sémantiques optimisés avec chevauchement pour maintenir la continuité contextuelle.
- Génération d’intégration : les morceaux sont convertis en intégrations vectorielles de grande dimension.
- Stockage vectoriel : les intégrations sont stockées dans des bases de données vectorielles hautes performances pour une récupération instantanée des similarités.
## meilleures pratiques
- Nom : utilisez des noms clairs et descriptifs pour les index et les fichiers téléchargés (par exemple, HR-Policy-2026 au lieu de doc1).
- Préparation du fichier : assurez-vous que les documents téléchargés contiennent du texte clair ; nettoyez les analyses de mauvaise qualité avant de les télécharger.
- Limites de fichiers : les téléchargements standard prennent en charge des fichiers jusqu’à 10 Mo par lot.
- Portée appropriée : Conservez des notes personnelles sensibles dans les index personnels ; déplacer les ressources de l’équipe vers les index de groupe.