RAG — Retrieval-Augmented Generation
Technique permettant à un système d’IA de rechercher des informations dans des sources externes avant de générer sa réponse. Cela permet notamment d’utiliser des informations plus récentes ou spécifiques que celles présentes dans les données d’entraînement du modèle. Google indique utiliser des approches de RAG pour certaines fonctionnalités de recherche générative.
Grounding / Ancrage
Processus qui consiste pour une IA à lier ses réponses à des sources externes vérifiables pour garantir leur exactitude factuelle.
Query fan-out / Expansion de requêtes
Technique utilisée par certains moteurs génératifs consistant à décomposer une question en plusieurs recherches connexes afin de collecter les informations nécessaires à la réponse. Google décrit cette approche pour AI Overviews et AI Mode.
Entité
Objet clairement identifiable — entreprise, personne, produit, lieu, organisation, concept — auquel différentes informations peuvent être associées. Aider les moteurs à comprendre correctement les entités d’un site permet de réduire les ambiguïtés.
Données structurées
Informations ajoutées au code d’une page pour décrire explicitement des entités, propriétés et relations : entreprise, produit, article, événement, avis, etc. Schema.org fournit le vocabulaire le plus utilisé à cet effet.
JSON-LD
Format couramment utilisé pour intégrer des données structurées dans une page web. Il permet notamment d’exprimer des informations Schema.org sous une forme lisible par les machines.
llms.txt
Proposition de fichier placé à la racine d’un site afin de fournir aux systèmes d’IA une sélection structurée de ressources et d’informations utiles. Il s’agit encore d’une proposition et non d’un standard universellement adopté. Google Search indique actuellement ignorer llms.txt, mais d’autres outils peuvent l’utiliser.