Améliorez les réponses de l’IA en utilisant la génération augmentée par récupération

La génération augmentée par récupération (RAG) dans Microsoft Copilot Studio combine les capacités de raisonnement des modèles de langage avec des connaissances fiables et spécifiques à l’organisation. Il permet aux assistants de produire des réponses précises, contextuelles et ancrées, basées sur le contenu de l’entreprise plutôt que de se reposer uniquement sur la mémoire du modèle.

Dans cet article, vous allez apprendre à :

• Découvrir comment la génération augmentée de récupération (RAG) améliore la fiabilité et l’ancrage des réponses de l’IA.
• Décrire comment Copilot Studio récupère et synthétise les connaissances.
• Identifier les sources de connaissances prises en charge et leurs contraintes.
• Identifier les considérations relatives à la gouvernance, à la conformité et à la sécurité de l’IA.
• Appliquer les concepts RAG lors de la conception d’assistants dans des environnements d’entreprise.

Présentation des critères environnementaux, sociaux et de gouvernance (RAG)

RAG est un modèle de conception qui améliore la précision de l’IA en combinant deux capacités :

• Interrogation d’informations : interroger les sources de données d’entreprise.
• Génération de texte : synthétiser les informations récupérées à l’aide d’un modèle de langage.

Cette approche réduit les informations incorrectes, augmente la confiance et génère des réponses ancrées dans un contenu organisationnel réel.

Architecture RAG dans Copilot Studio

Le pipeline RAG de Copilot Studio s’appuie sur les services d’IA Azure et s’intègre étroitement au cadre de confiance, de conformité et de sécurité de Microsoft.

Composants principaux :

• Runtime de Copilot Studio : gère le pipeline conversationnel
• Moteur d’optimisation des requêtes : réécrit et interprète les requêtes
• Fournisseurs de recherche : Bing, SharePoint, Graph, Dataverse, Recherche Azure AI
• Moteur de synthèse : crée des réponses ancrées et citées
• Couches de modération : valide les messages et les résumés
• Stockage d’état : mémoire à court terme (moins de 30 jours ; non utilisée pour l’entraînement)
• Magasins de télémétrie et de retours : fournit des perspectives et un contrôle

Fonctionnement du RAG dans Copilot Studio

RAG dans Copilot Studio suit un processus en quatre étapes :

1. Réécriture de requête
2. Récupération de contenu
3. Synthèse et génération de réponses
4. Validation de la sécurité et de la gouvernance

1. Réécriture de requêtes

Copilot Studio optimise la question de l’utilisateur avant de chercher :

• Clarifie le sens
• Ajoute des signaux contextuels (les 10 derniers tours)
• Améliore la correspondance des mots-clés
• Génère des requêtes adaptées à la recherche

Ce processus améliore la qualité de la recherche et réduit les résultats non pertinents.

2. Récupération de contenu

Après réécriture de la requête, le système l’exécute sur toutes les sources de connaissances que vous avez configurées. Copilot Studio récupère les trois meilleurs résultats de chaque source, tout en assurant un équilibre entre pertinence et performance. Le comportement de chaque source de connaissances varie selon des facteurs tels que l’authentification, l’indexation, les formats de fichiers et les contraintes de stockage.

Le tableau suivant résume toutes les sources de connaissances prises en charge ainsi que leurs capacités, contraintes et exigences d’authentification :

3. Synthèse et génération de réponses

• L’IA synthétise le contenu récupéré
• Applique des instructions personnalisées pour le ton, la mise en forme, la sécurité ou la concision
• Génère des citations vers les données sous-jacentes
• Personnalise les réponses en utilisant le contexte utilisateur (comme la langue, le département ou la région)

4. Validation de la sécurité et de la gouvernance

Chaque réponse passe par des couches de validation automatisées :

• Modération des réponses nuisibles, malveillantes, non conformes ou protégées par le droit d’auteur
• Validation de l’ancrage et suppression des informations incorrectes

Aucune donnée client n’est utilisée pour entraîner les modèles de langage.

Considérations clés lors de l’utilisation de RAG

RAG fonctionne mieux pour des questions et réponses factuelles, pas pour une analyse documentaire approfondie.

RAG est idéal pour :

• Répondre aux questions provenant des bases de connaissances
• Synthétiser les politiques, les FAQ et le contenu procédural
• Récupérer des faits spécifiques à partir de fichiers ou de systèmes internes

RAG n’est pas destiné à :

• Comparaison de documents complète
• Évaluation de la conformité aux politiques
• Raisonnement complexe sur de longs documents non structurés

Considérations relatives à la sécurité et à la conformité de l’IA générative

Les fonctionnalités d’IA générative dans Microsoft Copilot Studio sont conçues pour offrir de puissantes capacités conversationnelles et de raisonnement tout en maintenant de solides contrôles de sécurité, de confidentialité et de conformité.

Modèles fondamentaux et hébergement

• Copilot Studio s’appuie sur des modèles fondamentaux entraînés par OpenAI.
• Copilot Studio utilise l’un des derniers modèles OpenAI pour les réponses génératives.
• Les modèles fonctionnent entièrement sur les services internes Azure AI Foundry, alignés sur le périmètre de confiance des services Microsoft.
• Toute utilisation des modèles respecte les principes et les politiques de Microsoft en matière d’IA responsable.

Instructions personnalisées

Les créateurs peuvent fournir des instructions personnalisées pour façonner le comportement du modèle, influencer le ton ou ajouter des règles de mise en forme. Ces instructions permettent d’adapter les réponses génératives aux besoins de l’organisation, tout en respectant les filtres de sécurité et les contrôles de conformité.

Stockage et traitement des données

• Le stockage et le traitement des données dans Copilot Studio peuvent déplacer les données au-delà des frontières régionales lorsque l’hébergement local de modèles n’est pas disponible.
• Lorsque ce mouvement de données n’est pas autorisé, les administrateurs peuvent utiliser les paramètres d’environnement pour désactiver des fonctionnalités spécifiques telles que les modèles de langage Azure ou Bing Search.
• Copilot Studio ne collecte ni n’utilise aucune donnée client pour entraîner des modèles de langage.

Gestion des données opérationnelles

• Pendant le fonctionnement, le système stocke temporairement les conversations dans un espace sécurisé exploité par Microsoft.
• L’accès du personnel autorisé de Microsoft est restreint via des stations de travail d’accès sécurisé (SAW) avec des contrôles Just-In-Time (JIT).
• Les organisations peuvent également contrôler l’accès via Customer Lockbox, nécessitant une approbation explicite avant que les ingénieurs du support Microsoft puissent consulter les données.

Télémétrie de dépannage

• Les fonctionnalités d’IA générative génèrent des données supplémentaires de dépannage, mais uniquement pour les actions initiées par le concepteur dans le panneau de Test, spécifiquement lorsque le concepteur donne un pouce levé ou un pouce baissé à une réponse.
• Aucune donnée client supplémentaire n’est enregistrée en dehors de cette boucle de rétroaction explicite.

Surveillance des abus et sécurité

Étant donné que plusieurs couches de protection sécurisent déjà les fonctionnalités d’IA générative, l’IA générative de Copilot Studio désactive la surveillance des abus d’Azure AI afin d’éviter toute journalisation supplémentaire des données des clients.