WebAI
WebAIExpérimenter
Préversion documentaire

Expérimenter

Le laboratoire des idées et des mécanismes.

WebAI LabSimulationRAG
COMPRENDRE LE DOMAINE

Des simulations pédagogiques transparentes permettent d’observer un principe sans faire croire à un service connecté. Le premier module ci-dessous illustre la sélection de documents avant composition d’une réponse.

Ce que vous allez découvrir

  • Choisir une question et voir quelles pièces documentaires sont mobilisées.
  • Observer les limites d’une réponse construite à partir de documents.
  • Distinguer clairement simulation et IA connectée.
SIMULATION · SANS IA CONNECTÉE

Comment un système RAG mobilise ses documents

Exemple déterministe

Choisissez une question. Le module affiche des extraits préprogrammés, puis une réponse construite à partir de ces extraits. Il ne réalise ni recherche vectorielle ni génération réelle.

1. Poser une question

2. Extraits sélectionnés

Sélectionnez une question pour afficher un exemple.

3. Réponse d’exemple

—

Limite pédagogique : dans un vrai RAG, la qualité de récupération, la fidélité de la synthèse et la pertinence des sources doivent être évaluées séparément.

Aucune collecte d’actualités ou connexion à un modèle IA n’est activée dans cette préversion.

APPROFONDIR · DOSSIERS DOCUMENTÉS

Des réponses détaillées, des cas concrets et leurs sources

Chaque dossier relie fonctionnement, exemples, limites et documents primaires. La relecture scientifique reste à compléter : les sources sont disponibles pour vérifier chaque affirmation.

5études à explorer
01 Recherche

Évaluer un système RAG de manière rigoureuse

Identifier les erreurs à chaque étape d’un système de recherche augmentée.

Indexer des preuves, pas seulement des phrases

Un système RAG sélectionne des passages candidats puis les transmet à un modèle pour composer une réponse. L’identité, l’édition, la date et les droits des documents doivent rester associés aux fragments indexés ; sinon la citation perd son contexte.

Séparer rappel et fidélité

Un système peut retrouver les bons passages sans produire une réponse fidèle, ou générer un texte plausible sur la base de passages non pertinents. Évaluez séparément récupération, classement, fidélité, exactitude de citation et abstention en l’absence de preuve.

Voir le parcours de vérification
  1. Préparer des questions témoins
  2. Mesurer la récupération
  3. Évaluer la fidélité
  4. Tracer les versions
Explorer les explications, étapes et sources Lire la source originale
02 Agents

WebMCP : outils JavaScript exposés par une page

Étudier l’API expérimentale et le statut exact du document communautaire.

Ce que propose WebMCP

WebMCP propose une interface JavaScript permettant à une page d’exposer des fonctions comme des outils invocables par des agents. Une description en langage naturel et un schéma de paramètres facilitent la découverte de fonctionnalités normalement activées par un utilisateur.

Statut au 13 novembre 2026

Le rapport du Web Machine Learning Community Group reste un brouillon communautaire et non une recommandation W3C. L’API impérative est documentée ; la piste déclarative fondée sur les formulaires HTML est étudiée séparément et ne doit pas être présentée comme implémentée partout.

Voir le parcours de vérification
  1. Lire le brouillon
  2. Modéliser une action sans risque
  3. Contrôler le support navigateur
  4. Examiner les permissions
Explorer les explications, étapes et sources Lire la source originale
03 Exécution

WebGPU pour le calcul et les modèles Web

Distinguer l’API graphique/calcul de la logique des modèles d’IA.

Une API de calcul GPU

WebGPU permet à une application Web d’effectuer du rendu graphique et certains calculs sur le GPU. Au 13 novembre 2026, la publication W3C consultée est un Candidate Recommendation Draft ; cela n’équivaut pas à une disponibilité identique sur tous les appareils.

Du GPU à l’inférence

Les bibliothèques d’exécution IA peuvent exploiter WebGPU pour certaines opérations. WebGPU, à lui seul, ne contient pas un modèle ni un corpus : il fournit des primitives de calcul.

Voir le parcours de vérification
  1. Inspecter le GPU
  2. Mesurer la charge
  3. Prévoir un repli
  4. Documenter la prise en charge
Explorer les explications, étapes et sources Lire la source originale
04 Modèles

IA intégrée au navigateur : capacités et limites

Évaluer les APIs de traduction, résumé et génération directement accessibles dans certains navigateurs.

Des modèles gérés par le navigateur

Certaines fonctions de Chrome permettent de faire appel à des modèles intégrés pour résumer, traduire, détecter une langue ou produire du texte. La disponibilité dépend de la version, du matériel et des conditions d’accès ; un site ne peut supposer une prise en charge universelle.

Traitement local et ses nuances

L’exécution locale peut réduire certains transferts de données et permettre des usages hors ligne lorsque les ressources nécessaires sont déjà disponibles. Le téléchargement initial de modèles, la mémoire, l’autonomie et les politiques du navigateur imposent néanmoins des contraintes.

Voir le parcours de vérification
  1. Détecter les fonctions disponibles
  2. Choisir un repli
  3. Comparer qualité et ressources
  4. Documenter les limites
Explorer les explications, étapes et sources Lire la source originale
05 Données

Données structurées, JSON-LD et découvrabilité

Comprendre les liens entre sémantique, métadonnées et systèmes d’IA.

Les données liées sur le Web

JSON-LD permet d’exprimer des ressources et relations en JSON avec un contexte qui définit leurs identifiants. Une donnée liée n’est pas une instruction agentique ni une garantie que le contenu sera repris par un modèle.

Schema.org et les moteurs

Les descriptions de pages peuvent clarifier le type d’une ressource, son auteur, sa date ou ses relations. Google demande que les données structurées correspondent au contenu visible ; un marquage artificiel ou trompeur n’améliore pas nécessairement l’éligibilité aux fonctionnalités de recherche.

Voir le parcours de vérification
  1. Choisir des identifiants
  2. Définir le contexte
  3. Vérifier le contenu visible
  4. Tester la cohérence
Explorer les explications, étapes et sources Lire la source originale

Les propositions expérimentales, standards publiés et interprétations pédagogiques sont explicitement différenciés dans les dossiers. Date de recherche : 13 novembre 2026.

Consulter toute l’encyclopédie ↗