Présentation introductive du tableau de bord Progress Agentic RAG

Avec Progress Agentic RAG, vous pouvez indexer les données appropriées pour fournir à un LLM des informations plus pertinentes et plus précises. Et vous pouvez le faire dans une interface sans code. Explorons ensemble le tableau de bord !

Les grands modèles de langage (LLM) ne peuvent s’appuyer que sur les données sur lesquelles ils ont été formés. Pourtant, les organisations ont souvent besoin d’assistants IA capables de répondre aux questions sur une documentation spécifique ou interne qui n’est pas accessible au public. Génération augmentée par récupération (RAG) résout ce problème en récupérant les documents pertinents d’une base de connaissances et en les utilisant pour enrichir la réponse d’un LLM.

Pour plus d’informations sur RAG et son fonctionnement, référez-vous à nos précédents articles sur le sujet : Comprendre RAG (génération augmentée par récupération) et Que sont les intégrations ?.

Voyons comment mettre cela en pratique avec Progress Agentic RAG. Bien qu’Agentic RAG soit souvent utilisé comme plate-forme pilotée par API conçue pour les développeurs, il fournit également un puissant interface sans code. Cela permet aux utilisateurs de créer des boîtes de connaissances, d’indexer des données et de déployer des moteurs de recherche compatibles RAG sans écrire une seule ligne de code.

Dans cet article, nous utiliserons Progress Agentic RAG pour indexer un document réel (le Rapport sur les résultats du troisième trimestre 2025 de Progress Software) et démontrez comment la plateforme récupère des réponses précises et citées par la source aux questions en langage naturel.

Maison

Lorsque vous vous connectez pour la première fois à Progress Agentic RAG, vous atterrissez sur le Maison tableau de bord pour un Boîte de connaissances. Une Knowledge Box est une base de connaissances consultable, un conteneur pour tous les documents et données que nous souhaitons interroger.

Le tableau de bord fournit un aperçu rapide de notre Knowledge Box :

• Stockage: Affiche la taille de l’index, le nombre de ressources, les blocs de texte et les vecteurs.
• Usage: affiche les requêtes de recherche et les requêtes posées au cours des 30 derniers jours et 12 mois.
• Ressources: Répertorie les fichiers récemment traités avec un accès rapide pour afficher toutes les ressources.

La barre de navigation de gauche nous donne accès aux fonctionnalités principales : Télécharger des données, Liste des ressources, Synchroniser, Recherche, Widgets et Avancé paramètres. Pour cette procédure pas à pas, nous nous concentrerons sur le téléchargement de données et la recherche.

Télécharger des données

Quand on clique sur Télécharger des données dans la barre de navigation de gauche, nous verrons plusieurs options pour ajouter du contenu à notre boîte de connaissances. Ceux-ci incluent :

• Déposer: Téléchargez des fichiers individuels (PDF, documents Word, Excel, PowerPoint, fichiers texte et plus).
• Dossier: Téléchargez un dossier entier de documents à la fois.
• Links: Ajouter des pages Web par URL.
• Ressources textuelles: Collez directement le texte brut.
• Plan du site: explorez et indexez un site Web entier via son plan du site.
• Questions et réponses: ajoutez manuellement des paires question-réponse.

Pour cet article, nous téléchargerons un seul PDF : le Rapport sur les résultats du troisième trimestre 2025 de Progress Software.

Nous utilisons délibérément une petite source très récente que les LLM n’ont probablement pas vue, ce qui rend la récupération clairement observable.

Nous allons cliquer sur le Déposer option de téléchargement et téléchargez notre PDF. Une fois le PDF téléchargé, Progress Agentic RAG commencera le traitement pour extraire le texte, le décomposer de manière appropriée, générer des intégrations et indexer le tout pour la recherche sémantique. Une fois traité, le fichier apparaîtra alors dans le Liste des ressources:

Recherche

Nos données étant indexées, nous pouvons désormais les interroger. C’est là que la puissance de RAG devient apparente. Nous ne recherchons pas seulement des mots-clés ; nous demandons à l’IA de lire, comprendre et synthétiser les réponses en fonction seulement sur le document que nous avons fourni.

Examinons trois exemples utilisant le rapport sur les revenus que nous venons de télécharger.

Tout d’abord, demandons des chiffres concrets. Une recherche par mot-clé standard peut mettre en évidence l’endroit où apparaît « revenu », mais RAG peut construire une phrase complète répondant à la question spécifique.

Question: « Quel a été le chiffre d’affaires total de Progress Software pour le trimestre clos le 31 août 2025 et quel a été le taux de croissance d’une année sur l’autre ?

Répondre: Le chiffre d’affaires total de Progress Software pour le trimestre clos le 31 août 2025 s’élevait à 249 795 000 $ et le taux de croissance d’une année sur l’autre était de 40 %.

La réponse comprend des citations numérotées qui renvoient à des sections spécifiques du document source. En cliquant dessus, vous découvrirez exactement où dans le PDF ces informations apparaissent :

Comme c’est cool ! Cette traçabilité est essentielle pour les cas d’utilisation en entreprise qui nécessitent de vérifier l’exactitude des réponses générées par l’IA.

Requête 2 : Comprendre le contexte stratégique

Posons ensuite une question qui n’est pas purement numérique et qui nécessite plutôt de comprendre la citation du PDG et son intention.

Question: « Selon le PDG Yogesh Gupta, dans quelles capacités de produits Progress investit-il et pourquoi ?

Répondre: Selon le PDG Yogesh Gupta, Progress investit dans les capacités d’IA, y compris la technologie agentique RAG. Cet investissement vise à permettre aux clients d’extraire une plus grande valeur de leurs données à l’aide de GenAI.

Cette requête démontre une compréhension sémantique. Le système localise la citation du PDG dans le document et extrait le contexte pertinent sur les capacités de l’IA et la technologie agentique RAG, même si la question n’utilise pas ces termes exacts.

Requête 3 : Trouver des orientations prospectives

Enfin, examinons comment RAG gère les projections financières prospectives, qui sont souvent présentées dans des tableaux d’orientation distincts.

Question: « Quelle est la fourchette prévisionnelle de revenus mise à jour de Progress Software pour l’exercice 2025 ? »

Répondre: La fourchette prévisionnelle de revenus mise à jour de Progress Software pour l’exercice 2025 est comprise entre 975 et 981 millions de dollars.

Ici, le système synthétise les informations des tableaux d’orientation du rapport, démontrant sa capacité à analyser des données financières structurées et à renvoyer des chiffres précis.

Conclure

En quelques minutes seulement, nous sommes passés d’un PDF brut à une base de connaissances entièrement consultable et alimentée par l’IA. Progress Agentic RAG gère le gros du travail (traitement des documents, découpage, intégration, génération et récupération) afin que nous puissions nous concentrer sur la pose de questions et l’obtention de réponses.

L’interface sans code le rend accessible à tous, mais Progress Agentic RAG propose également une API complète pour les développeurs qui souhaitent intégrer les fonctionnalités RAG dans leurs propres applications. Nous explorerons davantage l’approche basée sur l’API dans les prochains articles.

Pour plus de détails, consultez les ressources suivantes :