Formation RAG avancé : retrieval et Qdrant

Description

Cette formation RAG avancé vous permettra de faire passer votre pipeline RAG d'un corpus de démonstration aux documents réels de votre entreprise.

Pendant 4 jours, vous apprendrez à :

• indexer les documents que vous avez vraiment : PDF avec tableaux, scans, pages web, et non plus un corpus d'exemple,
• mesurer la pertinence de votre assistant documentaire plutôt que de l'apprécier au ressenti,
• savoir ce qui fait remonter ou non le bon passage — le modèle, le découpage ou l'index — et agir sur le bon levier,
• garder vos documents chez vous : l'index et la recherche tournent sur votre infrastructure.

Elle suppose que vous savez déjà assembler un pipeline RAG. Le sujet n'est plus de le construire, mais de le confronter à un corpus réel et de prouver par la mesure ce qu'il vaut.

Pour traiter les questions qui croisent plusieurs documents, que la recherche par similarité ne sait pas prendre en charge, voir la formation Graphes de connaissances et GraphRAG.

Public

Cette formation s'adresse aux développeur·euse·s, data scientists et ingénieur·e·s en intelligence artificielle qui ont déjà construit un pipeline RAG et doivent le confronter à un corpus réel : documents hétérogènes, volume, et une qualité qu'il faut pouvoir démontrer.

Les objectifs

• Exploiter Qdrant en production : indexation, filtrage par payload et recherche hybride
• Ingérer des sources difficiles (PDF avec tableaux, documents scannés, pages web) sans perdre d'information
• Choisir une stratégie de chunking et mesurer son effet sur la qualité du retrieval
• Implémenter des stratégies de retrieval avancé et un re-ranking par cross-encoder
• Évaluer un pipeline RAG avec RAGAS et construire des tests de non-régression
• Fine-tuner un modèle d'embeddings sur des données métier et mesurer le gain

Pré-requis

• Avoir suivi LLM : RAG et agents IA ou avoir déjà mis un pipeline RAG en service
• Maîtriser Python
• Être à l'aise avec la ligne de commande et Docker
• Ordinateur portable à apporter

Le programme de la formation RAG avancé : retrieval et Qdrant

Jour 1 — Qdrant : indexer, filtrer, chercher

• Rappel : embeddings et espace vectoriel
  • Modèles d'embeddings open source (BGE, E5, Multilingual-E5, Nomic)
  • Embeddings multilingues et domaines spécialisés
  • Métriques de similarité (cosinus, euclidienne, dot product)
  • Algorithmes d'indexation (HNSW, IVF, PQ)
• Architecture de Qdrant
  • Collections, points, payloads, index
  • Modes de déploiement : standalone, distribué, Docker
• Installation on-premise et configuration
  • Installation via Docker et configuration production
  • Paramétrage des index HNSW (ef_construct, m)
  • Gestion de la persistance et des snapshots
• Opérations fondamentales
  • CRUD sur les points et les collections
  • Indexation batch et upsert
  • Recherche par similarité et filtrage par payload
• Fonctionnalités avancées
  • Recherche hybride (dense + sparse vectors)
  • Multitenancy et gestion des namespaces
  • Quantization côté Qdrant (scalar, product, binary)
  • Recommendation API et discovery search

Mises en pratique :

• Installer et configurer Qdrant on-premise
• Indexer un corpus de documents avec payloads structurés
• Effectuer des recherches avec filtrage complexe et recherche hybride

Jour 2 — Ce qu'on indexe : ingestion difficile et chunking

• Ingestion de sources hétérogènes
  • PDF : extraction de texte et de tableaux (PyMuPDF, pdfplumber, Unstructured)
  • Word/DOCX : python-docx, parsing structuré
  • Images et scans : OCR avec Tesseract, EasyOCR, DocTR
  • Contenus web : scraping et extraction structurée
  • Transcriptions : intégration de flux texte brut
• Stratégies de chunking
  • Fixed-size, recursive, semantic chunking
  • Document-aware chunking (respect de la structure)
  • Metadata extraction et enrichissement automatique
• Mesurer l'effet du découpage
  • Relier une stratégie de chunking à un score de retrieval
  • Arbitrer entre taille de chunk, recouvrement et coût d'indexation

Mises en pratique :

• Construire un pipeline d'ingestion multi-format (PDF, Word, images scannées)
• Comparer différentes stratégies de chunking et mesurer leur impact sur la qualité du retrieval
• Intégrer l'OCR dans le pipeline pour les documents scannés

Jour 3 — Retrieval avancé et re-ranking

• Stratégies de retrieval avancé
  • Multi-query retrieval et query expansion
  • HyDE (Hypothetical Document Embeddings)
  • Fusion retrieval (dense + BM25 sparse)
  • Parent-child retrieval et sentence window retrieval
• Re-ranking
  • Cross-encoders pour le re-ranking (BGE-reranker, ms-marco)
  • Cohere Rerank et alternatives open source
  • Stratégies de fusion (Reciprocal Rank Fusion)
• Tuning des paramètres
  • Top-k, score threshold, taille de fenêtre
  • Arbitrage entre latence, coût et pertinence

Mises en pratique :

• Implémenter un pipeline RAG avec re-ranking cross-encoder
• Comparer plusieurs stratégies de retrieval sur un même jeu de questions
• Optimiser les paramètres de retrieval et mesurer l'amélioration

Jour 4 — Évaluer, corriger, tenir la qualité dans le temps

• Évaluation de pipelines RAG
  • Framework RAGAS : faithfulness, answer relevancy, context recall, context precision
  • Création de datasets d'évaluation
  • Tests de non-régression pour pipelines RAG
• Debugging
  • Traçabilité des sources et citations
  • Analyse des échecs de retrieval : modèle, découpage ou index ?
• Fine-tuning d'un modèle d'embeddings
  • Données d'entraînement : paires et triplets (anchor, positive, negative)
  • Mining de hard negatives à partir de données métier
  • Loss functions : contrastive, triplet, multiple negatives ranking
  • Matryoshka embeddings pour la flexibilité dimensionnelle
• Mesurer le gain et réindexer
  • Métriques de retrieval : MRR, nDCG, recall@k
  • Benchmark MTEB et évaluation sur données métier
  • Mise à jour de l'index Qdrant avec les nouveaux embeddings

Mises en pratique :

• Évaluer la qualité du pipeline avec RAGAS sur un corpus de test
• Fine-tuner un modèle d'embedding et mesurer l'amélioration sur le retrieval
• Réindexer le corpus avec le modèle fine-tuné et vérifier la non-régression

Télécharger le programme

Formations associées

• 

  LLM : RAG et agents IA

  3 jours
• 

  Graphes de connaissances et GraphRAG

  3 jours
• 

  LLM avancé

  3 jours
• 

  Fine-tuning de LLM

  2 jours
• 

  LangGraph

  2 jours
• 

  Langchain

  3 jours

FAQ

8 raisons de participer à une formation Human Coders

• Satisfaction client élevée : Un taux de satisfaction de 4,6/5 depuis 2012 (sur 1957 sessions réalisées). 99% des participants se disent satisfaits de nos formations
• Approche pédagogique unique : Des formations en petit groupe, des formateurs passionnés et expérimentés, de véritables workshops... (Plus d'infos sur notre manifeste)
• Catalogue de formations complet : 277 formations au catalogue, de quoi vous accompagner sur tout vos projets
• Écosystème dynamique : Nous accompagnons les dev depuis 14 ans avec des initiatives comme Human Coders News, les Human Talks, le podcast ou encore notre serveur Discord
• Financement facilité : Organisme certifié Qualiopi, indispensable pour que vous puissiez obtenir des aides au financement via votre OPCO
• Références clients prestigieuses : De nombreux clients qui nous font confiance depuis des années
• Accompagnement sur mesure : Nous vous proposons un accompagnement personnalisé par nos consultants pour vous aider dans vos projets au-delà de la formation
• Valorisation professionnelle : Remise d'un diplôme, d'une attestation et d'une certification, suivant les formations effectuées, que vous pourrez afficher sur vos CV et réseaux sociaux