Hybrid Search

En combinant la précision de la correspondance de mots-clés traditionnelle avec la compréhension contextuelle de l'IA moderne, cette méthodologie de recherche récupère et classe les informations en exploitant à la fois des représentations de données creuses et denses. Alors qu'un moteur de recherche standard repose entièrement sur des correspondances exactes de mots-clés (appelées recherche lexicale) et que les moteurs de recherche vectoriels reposent uniquement sur la similarité sémantique, un moteur de recherche hybride fusionne ces deux approches pour fournir des résultats hautement précis et conscients du contexte.

Comment ça fonctionne#

Un pipeline de recherche hybride typique exécute simultanément deux méthodes de récupération distinctes, fusionnant leurs résultats en un classement unique et optimisé :

• Recherche lexicale (creuse) : Utilise des algorithmes comme BM25 pour noter les correspondances exactes de mots-clés en fonction de la fréquence des termes. C'est crucial pour récupérer des entités spécifiques, des acronymes, des références de produits (SKU) ou un jargon spécialisé qu'un modèle purement sémantique pourrait avoir du mal à identifier.
• Recherche sémantique (dense) : Génère des tableaux de nombres de grande dimension à l'aide de modèles d'IA pour comprendre le sens profond et le contexte d'une requête. Cela permet au système de trouver des résultats pertinents même si les mots exacts sont absents de la requête de recherche.

Une fois que les deux méthodes ont récupéré leurs résultats candidats, un algorithme de fusion — le plus souvent la fusion par rang réciproque (RRF) — combine les listes. La RRF calcule un nouveau score basé sur le rang de chaque item dans les ensembles de résultats creux et denses respectifs. Cela garantit que les documents obtenant un rang élevé dans l'une ou les deux recherches remontent en tête, équilibrant ainsi les correspondances contextuelles larges et la précision chirurgicale des mots-clés.

Applications réelles de l'IA et du ML#

Les architectures d'IA modernes s'appuient fortement sur cette technique pour surmonter les limites de l'utilisation d'une seule méthode de récupération dans les environnements de production.

• RAG hybride (génération augmentée par récupération) : Dans les systèmes de connaissances d'entreprise, fournir à un grand modèle de langage (LLM) le contexte le plus pertinent est essentiel pour éviter les hallucinations. Une configuration de RAG hybride garantit que le modèle récupère des documents qui correspondent à des contraintes techniques exactes tout en extrayant également des paragraphes sémantiquement liés.
• E-commerce et découverte de produits visuels : Les détaillants utilisent la recherche hybride pour alimenter les catalogues de produits. Un utilisateur peut rechercher "chaussures de course rouges". Le moteur lexical fait correspondre les mots-clés exacts de la marque ou de la catégorie, tandis qu'un modèle d'IA de vision utilise des plongements d'image pour faire surface des articles visuellement similaires.

Aujourd'hui, presque tous les grands bases de données vectorielles — y compris Pinecone, Qdrant, OpenSearch et PostgreSQL via pgvector — prennent en charge la recherche hybride de manière native. Cela permet aux développeurs d'indexer efficacement à la fois les mots-clés creux et les vecteurs denses dans une seule infrastructure.

Génération de métadonnées pour la recherche hybride#

Dans les pipelines de vision par ordinateur, tu peux extraire des mots-clés significatifs d'images pour construire le composant creux d'un index hybride. En utilisant Ultralytics YOLO26, tu peux effectuer automatiquement une détection d'objets sur une image et utiliser ces noms de classes comme balises de métadonnées. Ces balises de mots-clés peuvent ensuite être associées aux plongements vectoriels denses de l'image pour une indexation complète.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 object detection model
model = YOLO("yolo26n.pt")

# Run inference to detect objects in an image
results = model("store_aisle.jpg")

# Extract predicted class names to be indexed as keyword metadata (sparse data)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

En enrichissant les plongements d'images denses avec des mots-clés creux précis générés par l'IA, les développeurs peuvent exploiter l'Ultralytics Platform et des bases de données vectorielles compatibles hybrides pour construire des moteurs de recherche multimodaux robustes qui comprennent parfaitement à la fois les balises textuelles explicites et le contexte visuel implicite de leurs données.