Retrieval hybride
La recherche derrière votre IA combine deux façons de chercher — par mots exacts et par sens — puis relit attentivement les meilleurs candidats, pour que les réponses qui existent dans vos documents soient réellement trouvées.
Pensez à chercher une chanson. Parfois vous connaissez le titre exact, et une recherche mot à mot gagne. Parfois vous ne pouvez que fredonner l'air, et il vous faut quelqu'un qui reconnaît la mélodie. Un bon commis de magasin de disques utilise les deux — puis écoute attentivement les finalistes avant de vous en tendre un.
Le problème, en mots simples
Vous demandez à votre assistant IA le code d'erreur E-4402, et il vous revient avec assurance quelque chose sur une erreur vaguement semblable — pas celle-là. La bonne page était dans vos documents depuis le début. Ça arrive parce que la recherche par sens seule (recherche vectorielle) excelle au « proche en esprit » mais est étonnamment mauvaise avec les codes exacts, les noms de produits et les numéros de pièces. La recherche par mots exacts seule a le défaut inverse : elle cloue le terme précis mais rate une question formulée autrement que le document. Chacune seule, les vraies questions tombent dans la craque du milieu.
Ce que nous mettons en place
Deux recherches roulent côte à côte sur chaque question. L'une est la recherche classique par mots exacts, une méthode appelée BM25 (sur OpenSearch ou Elasticsearch). L'autre est la recherche vectorielle (sur pgvector, Qdrant, Weaviate ou Pinecone), qui apparie selon ce qu'un passage veut dire plutôt que les mots qu'il utilise. Les deux listes de résultats sont fusionnées avec une méthode de fusion (comme la fusion de rangs réciproques — une façon équitable de combiner deux classements en un seul). Puis un reclasseur — un modèle plus attentif (Cohere Rerank, BGE ou Voyage) — relit les meilleurs candidats, autour de cinquante, face à la vraie question et les réordonne. Les poids du mélange ne sont pas devinés : ils sont ajustés contre votre jeu d'évaluation, votre propre bibliothèque de questions-tests avec des réponses connues.
Comment ça fonctionne, étape par étape
- Une question arrive
D'une personne, ou d'un agent qui a besoin de faits avant de répondre.
- Deux recherches roulent en même temps
Appariement par mots exacts et appariement par sens, en parallèle. Chacune attrape ce que l'autre échappe.
- Les deux listes deviennent une
Une méthode de fusion combine les deux classements : un passage fort d'un côté ou de l'autre reste dans la course.
- Un modèle attentif relit les finalistes
Le reclasseur lit les meilleurs candidats face à la vraie question et les réordonne — une lecture lente et soignée d'une courte liste.
- Les réglages sont testés, pas devinés
Poids et profondeur de reclassement sont ajustés contre vos propres questions-tests, et réajustés quand vos documents changent.
Ce qui change pour vous
Avant : l'assistant ratait régulièrement des réponses qui tenaient à un code exact, un nom ou une formulation inhabituelle — et les utilisateurs apprenaient à ne pas lui confier de questions précises. Après : les deux genres de questions aboutissent, et le rappel sur les questions difficiles monte — une façon savante de dire que la réponse qui existe est trouvée. Ce qu'il ne fera pas : il ne peut pas trouver ce qui n'existe pas. Si la réponse manque dans vos documents, une meilleure recherche retourne un néant mieux organisé — c'est un trou de documentation à combler, et les résultats de recherche le rendront maintenant visible.