Grounding
Le grounding (ancrage) consiste à rattacher la réponse d'un modèle de langage à des sources précises et vérifiables, comme des résultats de recherche, des documents ou une base de données, afin que ses affirmations reposent sur des éléments fournis plutôt que sur ses seules données d'entraînement.
Aussi appelé : grounded generation
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Un modèle seul répond à partir de schémas appris pendant l'entraînement. Ces connaissances s'arrêtent à une date limite des connaissances et peuvent être fausses ou inventées. Le grounding fournit au modèle des sources pertinentes au moment de répondre et lui demande de fonder sa réponse sur ces sources, souvent avec des citations.
Pourquoi c'est important
La documentation de Google Cloud définit le grounding comme la capacité à relier la sortie d'un modèle à des sources vérifiables, et cite parmi ses avantages la réduction des hallucinations et la possibilité d'audit. Pour vous qui construisez, c'est le grounding qui permet à un utilisateur de cliquer et de vérifier d'où vient une affirmation.
Comment on le met en œuvre
- Recherche web : l'application lance une recherche et transmet les résultats au modèle. - Vos propres données : des passages sont tirés d'une base de connaissances ou d'une base de données vectorielle, comme dans la génération augmentée par récupération. - Sources structurées : une requête de base de données ou un appel d'API fournit des chiffres exacts.
Le prompt demande ensuite au modèle de ne répondre qu'à partir des sources fournies et de signaler quand elles ne contiennent pas la réponse.
Différence avec le RAG
Le RAG est une façon d'ancrer un modèle : récupérer, puis générer. Le grounding est l'objectif plus large de rendre les sorties traçables jusqu'à des preuves, quelle que soit la méthode de récupération.
Limites
Le grounding réduit les erreurs sans les supprimer. Si la récupération renvoie le mauvais passage, le modèle peut le répéter fidèlement. Les modèles peuvent aussi mêler les faits fournis à leurs propres suppositions, ou citer une source qui ne dit pas ce qu'affirme la réponse. Vérifier les citations et tester les réponses sur un golden dataset aide à repérer les deux.
Termes liés
- Génération augmentée par récupération
- La génération augmentée par récupération (retrieval-augmented generation, RAG) est un schéma dans lequel un système cherche d'abord dans une collection de documents les passages pertinents pour une question, puis fournit ces passages à un modèle de langage pour que sa réponse s'appuie dessus.
- Hallucination (IA)
- Une hallucination est une sortie d'un modèle d'IA qui paraît fluide et assurée mais qui est fausse, non étayée par ses sources ou inventée, comme une référence, une citation, une statistique ou une fonction d'API imaginaires.
- Base de connaissances (IA)
- Dans les applications d'IA, une base de connaissances (knowledge base) est la collection de documents et de données dans laquelle un assistant ou un agent cherche pour répondre aux questions, comme des articles d'aide, des politiques internes ou de la documentation produit, conservée séparément du modèle lui-même.
- Date limite des connaissances
- La date limite des connaissances (knowledge cutoff) est la date après laquelle un modèle ne dispose que de peu ou pas d'informations, parce que ses données d'entraînement ont été collectées jusqu'à cette période environ. Les événements postérieurs lui sont inconnus, sauf s'ils sont fournis dans le prompt.
- Moteur de recherche IA
- Un moteur de recherche IA est un service de recherche qui lance des recherches web pour une requête, lit les résultats avec un modèle de langage et renvoie une réponse rédigée avec des liens vers ses sources, au lieu d'une simple liste de liens.