Google Research intègre Agentic RAG à la plateforme Gemini Enterprise Agent, avec un agent de contexte suffisant pour les requêtes à différents sauts

Nouvelle information marquante dans l’actualité IA.

Google Research intègre Agentic RAG à la plateforme Gemini Enterprise Agent, avec un agent de contexte suffisant pour les requêtes à différents sauts

Un flux de travail multi-agents planifie, réécrit et effectue de nouvelles recherches jusqu’à ce que le contexte soit complet, ce qui permet d’améliorer la précision factuelle jusqu’à 34 %.

Notons par ailleurs, l’équipe de recherche de Google a présenté un nouveau cadre RAG agentique. Celui-ci est intégré à la plateforme Gemini Enterprise Agent. Il est à la base d’une fonctionnalité appelée « Cross-Corpus Retrieval », actuellement en préversion publique.

Un système RAG « de base » se contente de faire correspondre votre question à des documents.

Le problème réside dans une lacune bien connue de la recherche d’entreprise. Le système RAG standard en une seule étape n’a pas été conçu pour les requêtes multi-sources et multi-étapes. Prenons l’exemple suivant : « Quelles sont les spécifications du serveur utilisé dans le projet X ? » Le système pourrait trouver un document mentionnant un identifiant de serveur, mais il ne saurait pas utiliser cet identifiant pour rechercher les spécifications dans une deuxième base de éléments. La réponse est incomplète ou indique « introuvable ».

Agentic RAG élabore des plans, raisonne et interagit de manière itérative avec les sources de données. Il traite des requêtes complexes afin d’améliorer la fiabilité et la précision. La version de Google est le système de recherche inter-corpus hébergé sur la plateforme Gemini Enterprise Agent, qui s’appuie sur Agentic RAG. À l’instar d’autres frameworks RAG multi-agents, il utilise des agents qui travaillent en collaboration. Contrairement à ces derniers, il effectue une vérification contextuelle suffisante avant de générer une réponse. Par rapport au RAG standard, il améliore la précision sur les ensembles de données factuels jusqu’à 34 %. L’équipe de recherche de Google l’a également testé sur des ensembles de données internes propriétaires. Elle fait état d’un meilleur ancrage dans la réalité et d’une précision de raisonnement améliorée pour les tâches spécifiques à un domaine.

Considérez-le comme un service de recherche structuré, et non comme un simple moteur de exploration. Un système RAG « de base » se contente de faire correspondre votre question à des documents. Un LLM génère ensuite une réponse à partir de ces correspondances. Le cadre multi-agents répartit la tâche entre différents rôles spécialisés.

À ce sujet, l’Orchestrator détermine que la requête ne relève pas d’une tâche en une seule étape et la délègue. L’agent de planification établit les chemins d’information entre les différentes sources de informations. Le réécrivain de requêtes transforme une requête vague en plusieurs requêtes de travaux de recherche précises. L’agent de répartition des requêtes envoie ces requêtes à diverses sources de récupération. Enfin, un modèle de langage de grande capacité (LLM) synthétise le contexte recueilli pour former une réponse.

Dans la foulée, la principale différence réside dans la persévérance. Le framework détecte les informations manquantes et poursuit ses recherches. Cela empêche le modèle d’IA de se contenter de deviner lorsque la première recherche n’aboutit à rien. Cela évite par ailleurs qu’il ne conclue prématurément : « Je ne dispose pas d’informations suffisantes. »

Il faut souligner, cette persistance est assurée par le Sufficient Context Agent, un récent composant du framework de Google. Imaginons un médecin qui demande les médicaments prescrits à la sortie de l’hôpital, les restrictions alimentaires et les réactions allergiques d’un patient.

Les implications concrètes de cette annonce se dessineront progressivement.

À lire également :

Article original : MarkTechPost : MarkTechPost