La recherche sémantique représente une avancée significative dans la recherche d'informations, allant au-delà de la simple correspondance de mots clés pour comprendre l'intention et la signification contextuelle des requêtes des utilisateurs. Au lieu de se contenter de rechercher des occurrences littérales de mots, la recherche sémantique utilise des techniques d'intelligence artificielle (IA), en particulier le traitement du langage naturel (NLP), pour saisir les nuances du langage, les relations entre les mots et l'objectif sous-jacent de l'utilisateur. Cela permet aux systèmes de recherche de fournir des résultats plus pertinents et plus précis en interprétant ce que l'utilisateur veut trouver, plutôt que les termes spécifiques qu'il a tapés. Il s'agit d'un élément essentiel pour rendre plus naturelles et intuitives les interactions avec les systèmes d'information, de la recherche sur le Web aux bases de connaissances internes, ce qui améliore fondamentalement l'efficacité de la recherche d'informations.
Applications de la recherche sémantique
La recherche sémantique améliore diverses applications où la compréhension de l'intention de l'utilisateur ou du contexte des données est cruciale :
- Recherche Web améliorée : Aller au-delà des mots-clés pour comprendre le sujet et l'intention derrière une recherche (par exemple, la recherche "meilleur endroit pour voir les aurores boréales en hiver" donne des résultats sur des lieux spécifiques et des moments idéaux, et pas seulement des pages contenant ces mots exacts).
- Découverte de produits pour le commerce électronique : Permettre aux utilisateurs de rechercher des produits en utilisant un langage descriptif et naturel (par exemple, trouver des "chaussures confortables pour rester debout toute la journée" au lieu d'avoir besoin de connaître des marques ou des noms de produits spécifiques). Cela s'intègre souvent à des systèmes de recommandation.
- Gestion des connaissances internes : Permettre aux employés d'une organisation de trouver des documents, des rapports ou une expertise pertinents en effectuant des recherches basées sur les concepts et la signification, en améliorant l'accès à l'information au sein d'outils comme Ultralytics HUB.
- Chatbots d'assistance à la clientèle : Alimenter les chatbots et les assistants virtuels pour mieux comprendre les questions des utilisateurs et fournir des réponses plus précises ou des articles d'aide pertinents, souvent en exploitant les grands modèles de langage (LLM).
- Recommandation de contenu : Suggérer des articles, des vidéos ou de la musique en se basant sur la similarité sémantique avec le contenu avec lequel l'utilisateur a déjà interagi. Des plateformes comme Spotify utilisent des concepts similaires.
- Exploration des données : Des outils comme le tableau de bord de l'explorateurUltralytics peuvent utiliser la similarité sémantique pour aider les utilisateurs à naviguer et à comprendre de grands ensembles de données, y compris les ensembles de données d'images utilisés dans la vision par ordinateur (VA). Par exemple, trouver des images sémantiquement similaires à une image sélectionnée dans un ensemble de données comme COCO.
Recherche sémantique et concepts connexes
Il est utile de distinguer la recherche sémantique des termes apparentés :
- Recherche par mot-clé : Cette approche traditionnelle fait correspondre les mots ou les phrases littérales d'une requête aux documents contenant ces termes exacts. Elle ne tient pas compte des synonymes, du contexte ou de l'intention de l'utilisateur. La recherche sémantique vise à surmonter ces limites.
- Recherche vectorielle: Il s'agit d'une méthode utilisée pour trouver des éléments similaires en fonction de la proximité de leurs encastrements vectoriels. Alors que la recherche vectorielle est un élément central de nombreuses implémentations modernes de recherche sémantique (gérant la partie recherche efficace), la recherche sémantique est le concept plus large qui inclut la compréhension de la signification et du contexte de la requête et des données en premier lieu, souvent par le biais de modèles NLP sophistiqués.
- Graphique de connaissances: Un graphe de connaissances structure l'information sous forme d'entités et de relations. S'il peut améliorer considérablement la recherche sémantique en fournissant un contexte structuré et en permettant un raisonnement complexe(les requêtes SPARQL sont courantes ici), la recherche sémantique peut également opérer directement sur des données non structurées à l'aide d'enchâssements sans structure de graphe explicite. Il s'agit de technologies complémentaires.
- Reconnaissance des entités nommées (NER): La NER identifie des entités spécifiques (comme des noms, des lieux, des organisations) dans un texte. Il peut s'agir d'une étape dans un pipeline NLP qui alimente la recherche sémantique en extrayant des concepts clés, mais ce n'est pas la recherche sémantique elle-même, qui se concentre sur le sens global et la similarité.
La recherche sémantique joue un rôle essentiel dans la création de systèmes d'IA plus intelligents et plus conviviaux, en comblant le fossé entre le langage humain et la compréhension des machines pour un accès à l'information et une interaction plus efficaces dans divers domaines, des recherches quotidiennes sur le Web aux applications d'IA spécialisées comme celles construites à l'aide de.. . Ultralytics YOLO pour la recherche visuelle ou l'analyse dans Ultralytics HUB.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
Comment fonctionne la recherche sémantique
En son cœur, la recherche sémantique s'appuie sur des concepts issus du NLP et du Machine Learning (ML) pour déchiffrer le sens intégré dans un texte ou d'autres types de données. Le processus consiste souvent à convertir des données (comme des mots, des phrases, des documents ou même des images) en représentations numériques appelées embeddings. Ces encastrements, généralement des vecteurs à haute dimension, capturent l'essence sémantique des données. Les éléments ayant des significations, des concepts ou des contextes similaires sont positionnés plus près les uns des autres dans cet espace vectoriel.
Lorsqu'un utilisateur effectue une recherche, sa requête (qui peut être un texte en langage naturel, une image, etc.) est également convertie en intégration à l'aide du même modèle ML. Le système utilise ensuite des techniques de recherche vectorielle, souvent alimentées par des bases de données vectorielles spécialisées telles que Pinecone ou Milvus, pour trouver efficacement dans son index les éléments dont l'intégration est la plus proche (la plus similaire) de l'intégration de la requête. Cette similarité est généralement mesurée à l'aide de métriques de distance comme la similarité cosinusienne ou la distance euclidienne. Les modèles avancés d'apprentissage profond (DL), y compris les architectures comme les transformateurs (par exemple, BERT), sont fréquemment utilisés pour générer ces enchâssements puissants et conscients du contexte. Les principaux moteurs de recherche comme Google Search intègrent la compréhension sémantique depuis des années pour améliorer la qualité des résultats au-delà de la simple fréquence des mots clés.