Hybrid Search

En combinant la précision de la correspondance traditionnelle par mots-clés avec la compréhension contextuelle de l’IA moderne, cette méthode 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 classique repose entièrement sur des correspondances exactes de mots-clés (appelées recherche lexicale) et que les moteurs de recherche vectorielle reposent uniquement sur la similarité sémantique, un moteur de recherche hybride associe ces deux approches pour fournir des résultats très précis et adaptés au contexte.

Fonctionnement#

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

• Recherche lexicale (creuse) : utilise des algorithmes comme BM25 pour évaluer les correspondances exactes de mots-clés en fonction de la fréquence des termes. Cette méthode est essentielle pour retrouver des entités spécifiques, des acronymes, des références de produits ou du 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. Le système peut ainsi trouver des résultats pertinents même si les mots exacts ne figurent pas dans la requête.

Une fois que les deux méthodes ont récupéré leurs résultats candidats, un algorithme de fusion, le plus souvent la fusion réciproque des rangs (RRF), combine les listes. RRF calcule un nouveau score en fonction du rang de chaque élément dans les ensembles de résultats creux et denses correspondants. Les documents bien classés dans l’une ou l’autre recherche, voire dans les deux, remontent ainsi en tête, ce qui équilibre les correspondances contextuelles générales et la précision ciblée des mots-clés.

Applications concrètes de l’IA et du ML#

Les architectures modernes d’IA s’appuient fortement sur cette technique pour surmonter les limites liées à 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 prévenir les hallucinations. Une configuration RAG hybride garantit que le modèle récupère des documents conformes aux contraintes techniques exactes tout en intégrant des paragraphes liés sur le plan sémantique.
• Commerce électronique et découverte visuelle de produits : les détaillants utilisent la recherche hybride pour alimenter leurs catalogues de produits. Un utilisateur peut rechercher des « chaussures de course rouges ». Le moteur lexical fait correspondre les mots-clés exacts de marque ou de catégorie, tandis qu’un modèle d’IA visuelle utilise des représentations vectorielles d’images pour faire ressortir des articles visuellement similaires.

Aujourd’hui, presque toutes les grandes bases de données vectorielles, notamment Pinecone, Qdrant, OpenSearch et PostgreSQL via pgvector, prennent nativement en charge la recherche hybride. Les développeurs peuvent ainsi indexer efficacement des mots-clés creux et des vecteurs denses dans une seule infrastructure.

Générer des métadonnées pour la recherche hybride#

Dans les pipelines de vision par ordinateur, tu peux extraire des mots-clés pertinents à partir d’images pour créer la composante creuse d’un index hybride. Avec Ultralytics YOLO26, tu peux effectuer automatiquement la détection d’objets dans une image et utiliser les noms de classe comme balises de métadonnées. Ces balises de mots-clés peuvent ensuite être associées aux représentations vectorielles denses de l’image pour une indexation complète.

from ultralytics import YOLO

# Charger le modèle de détection d’objets Ultralytics YOLO26 recommandé
model = YOLO("yolo26n.pt")

# Lancer l’inférence pour détecter des objets dans une image
results = model("store_aisle.jpg")

# Extraire les noms de classe prédits à indexer comme métadonnées de mots-clés (données creuses)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

En enrichissant les représentations vectorielles denses d’images avec des mots-clés creux précis générés par l’IA, les développeurs peuvent exploiter l’Ultralytics Platform et des bases de données vectorielles compatibles avec la recherche hybride pour créer des moteurs de recherche multimodaux robustes, capables de comprendre parfaitement à la fois les balises textuelles explicites et le contexte visuel implicite de leurs données.