Dans la génération augmentée par récupération (RAG), quel est l'objectif principal du découpage de documents volumineux en morceaux (chunks) ?

Le découpage de documents volumineux en morceaux (chunks) est essentiel en RAG pour améliorer la pertinence contextuelle. Les modèles de langage ont des limites de taille de contexte. En divisant les documents en morceaux plus petits et sémantiquement cohérents, on s'assure que chaque morceau récupéré de l'index vectoriel est plus susceptible de contenir des informations directement pertinentes à la requête de l'utilisateur, sans inclure de bruit inutile. Cela permet au modèle de langage de mieux comprendre le contexte et de générer une réponse plus précise et pertinente. Les autres options sont incorrectes car le découpage n'est pas principalement destiné à éviter les limites de stockage (bien qu'il puisse avoir un impact indirect), ni à supprimer la conversion en embeddings (les chunks sont convertis en embeddings), ni à réduire les coûts de stockage comme objectif principal.