Architecture RAG Hybride Haute Concurrence : BM25 + ChromaDB + RRF

La précision d’un moteur RAG d’entreprise dépend de sa capacité à combiner deux types de recherche complémentaires : la recherche sémantique dense (embeddings) et la recherche par mots-clés exacte (BM25 sparse).

Ce module détaille l’architecture du pipeline d’ingestion et d’indexation hybride de Yevi Core v1.0 (Licence MIT).

---

1. Diagramme de Flux du Pipeline RAG Hybride

graph TD
    UserQuery["Question Utilisateur"] --> Anon["Anonymisation PII (Privacy Vault)"]
    Anon --> ParallelSearch["Recherche Hybride Parallèle"]

    subgraph SearchEngines["Dual Engine Search"]
        ParallelSearch --> Dense["ChromaDB Vector Store (Cosine Similarity)"]
        ParallelSearch --> Sparse["BM25 Sparse Store (Exact Keyword Match)"]
    end

    Dense --> RRF["Fusion par Reciprocal Rank Fusion (RRF k=60)"]
    Sparse --> RRF

    RRF --> ContextWindow["Fenêtre de Contexte Top-K Chunks"]
    ContextWindow --> LLMEngine["Génération LLM avec Citations Strictes"]

---

2. Formule de Fusion Reciprocal Rank Fusion (RRF)

Pour chaque passage $d$, son score RRF est calculé selon la formule :

RRF_Score(d) = Σ [ 1 / (k + r_m(d)) ]

Où :

• $M$ est l’ensemble des moteurs de recherche (ChromaDB, BM25).
• $r_m(d)$ est le rang du document $d$ attribué par le moteur $m$.
• $k$ est la constante de lissage (fixée par défaut à $k=60$ dans Yevi).

---

3. Avantages pour le CTO & Résultats Benchmarks

Métrique	Recherche Vectorielle Seule	Recherche BM25 Seule	RAG Hybride Yevi (RRF)
Précision Mots-Clés Métier (Codes, Réf)	62%	88%	96%
Compréhension Sémantique	91%	45%	94%
Score global Anti-Hallucination	74%	68%	98.2%

---

🛠️ Passer à l’Action

• 📄 Lire l’analyse comparative RAG Embeddings & Fine-Tuning
• 📄 Consulter l’étude TCO Déploiement LLM Privé sur 3 ans
• 🎯 Demander une session de revue d’architecture CTO (30 min)