Lab

Chercher par le sens : ce que les embeddings savent retrouver

Réponse courte

La recherche sémantique rapproche des textes selon leur sens, même lorsqu’ils n’emploient pas les mêmes mots. Elle aide à retrouver un contexte formulé autrement. Elle ne prouve ni qu’une note répond à la question, ni qu’une décision est actuelle ou autorisée pour le lecteur.

Deux formulations rejoignent une même note, mais un voisin proche reste une preuve à vérifier.

De la formulation à la proximité

Un embedding est une représentation numérique d’un texte. Comparer ces représentations permet de proposer des documents proches d’une question. Dans un exemple fictif, « pourquoi ce matériel a-t-il été gardé ? » peut être rapproché d’une note expliquant un choix de conservation, sans contenir exactement la même phrase.

La recherche par mots reste utile pour les références exactes, les noms et les termes précis. La recherche par le sens répond à une autre difficulté : le vocabulaire de la demande ne correspond pas toujours à celui de la source. Les combiner demande de mesurer la contribution de chaque voie, plutôt que supposer qu’une approche plus sophistiquée gagne nécessairement.

Un voisin sémantique n’est pas une réponse

Deux notes peuvent parler du même fournisseur et concerner des équipements différents. Une ancienne décision peut être très proche de la question tout en ayant été remplacée. Une proposition refusée peut porter exactement le montant recherché.

Le score de proximité ne mesure donc pas la vérité, l’autorité ou la validité temporelle. Une note bien classée reste une candidate à lire. Le passage de la candidate à la réponse demande de conserver sa provenance et ses réserves.

Les essais du Lab sur les alertes ont retrouvé cette limite : un élément décisif noyé dans un compte rendu peut ne pas remonter, alors qu’une note voisine attire l’attention. Il faut examiner le découpage et la couverture, pas seulement ajuster un score.

Le multilingue doit être testé dans le produit : portée et limites

La fiche du modèle BGE-M3 décrit des capacités multilingues. Cette propriété du modèle ne suffit pas à établir une qualité égale pour chaque langue dans Nawame. Le corpus, la longueur des textes, les noms métier et la formulation des questions influencent le résultat.

Une évaluation utile distingue les recherches dans une même langue et celles où question et source sont dans des langues différentes. Elle vérifie aussi les cas sans réponse et les faux rapprochements. La possibilité de rapprocher deux langues est une capacité à mesurer dans un usage, pas une garantie de traduction ou de fidélité.

Les questions longues ne sont pas toujours plus précises

Ajouter tous les détails dans une requête peut diluer le sujet principal. Une campagne du Lab a rencontré cette difficulté en cherchant des liens entre plusieurs sources. Une recherche dépendante d’un premier résultat gagnait à identifier l’information intermédiaire plutôt qu’à tout demander en une seule phrase.

Le découpage documentaire joue un rôle similaire. Une représentation calculée sur plusieurs sujets peut rendre moins visible une décision courte. Réduire le grain peut aider, mais isoler une phrase peut aussi couper une condition. C’est le problème étudié dans les expériences sur les passages.

La conséquence : évaluer une chaîne complète

Pour Nawame, le moteur d’embeddings est une brique commune de récupération du contexte. Il ne remplace ni les droits de lecture, ni les versions, ni le travail d’interprétation de l’assistant autorisé. Son efficacité se juge avec la pertinence, l’abstention, le délai et le coût de traitement.

La recherche en plusieurs étapes et les dates d’effet montrent pourquoi une mémoire utile dépasse un classement de documents ressemblants. Le sens aide à trouver ; les preuves permettent de comprendre ce qui peut être conclu.

À lire aussi : Quand la recherche sémantique invente un faux précédent et Mémoire IA vs RAG : ce n’est pas la même chose.

Votre prochain prompt ne devrait pas devoir contenir toute votre histoire.

Commencez à construire une mémoire que vos IA pourront retrouver lorsque cela comptera.

Commencer gratuitement