Politique de reranking
Une décision délibérée et testée sur le nombre de résultats de recherche qui méritent une relecture attentive et coûteuse, et avec quel modèle — ajustée par workflow au lieu d'être copiée d'un tutoriel.
Pensez à l'embauche. Vous ne faites pas passer une entrevue complète à chaque candidat — vous faites une courte liste. Combien de personnes y figurent, et à quel point l'entrevue est poussée, dépend du poste. La politique de reranking, c'est cette même décision pour la recherche IA : combien de candidats reçoivent la lecture soignée et coûteuse, et quand ça en vaut la peine.
Le problème, en mots simples
Ajouter un reclasseur — un modèle attentif qui relit les meilleurs résultats de recherche et les réordonne — améliore habituellement les réponses. Mais ça coûte du temps et de l'argent à chaque requête. Alors vous copiez les valeurs par défaut d'un tutoriel : reclasser les cinquante premiers, toujours, avec le plus gros modèle. Votre clavardage instantané devient mollasson, parce que chaque petite question paie une lecture profonde dont elle n'avait pas besoin, pendant que votre travail de recherche de nuit lésine au seul endroit où il pouvait se permettre d'être minutieux. Personne n'a réellement choisi ces chiffres. Ils étaient juste là.
Ce que nous mettons en place
Chaque workflow reçoit sa propre politique écrite de reclassement : combien de candidats relire (la profondeur), quel modèle de reclassement utiliser, et une règle de sortie rapide (quand les premiers résultats sont clairement assez bons, sauter le reste et économiser). Rien de tout ça n'est deviné. Votre jeu d'évaluation — la bibliothèque de questions-tests avec des réponses connues — fait rouler les mêmes requêtes sous plusieurs configurations et mesure qualité, vitesse et coût côte à côte. Vous gardez le réglage qui achète le plus de qualité que votre vitesse et votre budget peuvent réellement se permettre : le meilleur point sur la courbe de compromis (ce que les ingénieurs appellent le point de Pareto).
Comment ça fonctionne, étape par étape
- Chaque workflow annonce son budget
Combien de temps un utilisateur peut-il attendre ici, et que vaut une requête ? Un clavardage en direct et un rapport de nuit donnent des réponses très différentes.
- Plusieurs réglages sont essayés pour vrai
Le jeu d'évaluation fait rouler les mêmes questions à différentes profondeurs et avec différents modèles de reclassement.
- Les résultats sont mesurés, pas ressentis
Qualité, vitesse et coût sortent en chiffres par configuration — un tableau qu'on peut discuter, plutôt que des impressions.
- Chaque workflow garde son meilleur réglage
Le clavardage reçoit une politique légère et rapide; le chemin de recherche approfondie, une politique minutieuse. Aucun ne paie pour les besoins de l'autre.
- Les cas évidents sortent tôt
Quand les premiers résultats sont clairement bons, le reclasseur s'efface — pas de relecture soignée d'une question qui n'a jamais fait de doute.
- Les politiques sont retestées
De nouveaux documents ou une nouvelle version de modèle relancent l'exercice, pour que chaque réglage reste mérité au lieu d'être un souvenir.
Ce qui change pour vous
Avant : le reclassement était un seul interrupteur, marche ou arrêt pour tout, réglé par folklore. Après : chaque workflow roule la configuration que la preuve a choisie pour lui — les chemins rapides restent rapides, les chemins soignés restent soignés, et quand quelqu'un demande pourquoi la profondeur est de cinquante et pas de cent, il y a une réponse mesurée. Ce qu'il ne fera pas : le reclassement réordonne ce que la recherche a déjà trouvé. Il ne peut pas sauver une recherche qui a complètement raté le bon document — c'est le rôle du retrieval hybride.