Semantic Search

La recherche sémantique est une technique de récupération d'informations sophistiquée qui vise à comprendre l'intention et la signification contextuelle de la requête d'un utilisateur plutôt que de simplement faire correspondre des mots spécifiques. En exploitant les avancées du Natural Language Processing (NLP) et du Machine Learning (ML), cette technologie permet aux systèmes d'interpréter le langage humain avec plus de nuance. Il s'agit d'une pierre angulaire des applications modernes d'Artificial Intelligence (AI), permettant des interactions plus intuitives entre les humains et les machines en comblant le fossé entre des requêtes utilisateur ambiguës et des données pertinentes.

Link to this sectionComment fonctionne la recherche sémantique#

À sa base, la recherche sémantique va au-delà de la correspondance littérale de caractères pour analyser la relation entre les concepts. Les moteurs de recherche traditionnels peuvent échouer si un utilisateur recherche « félin » alors que les documents ne contiennent que le mot « chat ». La recherche sémantique résout ce problème en transformant des unstructured data—telles que du texte, des images ou de l'audio—en représentations mathématiques appelées embeddings.

Ces embeddings sont des vecteurs de haute dimension placés dans un « espace sémantique ». Dans cet espace, les éléments ayant des significations similaires sont positionnés les uns près des autres. Par exemple, le vecteur pour « voiture » serait mathématiquement plus proche de « automobile » et « route » que de « banane ». Lorsqu'un utilisateur soumet une requête, le système convertit cette requête en vecteur et trouve les points de données les plus proches dans la vector database. Ce processus repose sur des modèles de deep learning pour effectuer l'feature extraction, en identifiant les caractéristiques essentielles des données.

Le code Python suivant démontre comment générer ces embeddings en utilisant le modèle Ultralytics YOLO26, ce qui constitue l'étape fondamentale pour activer la recherche sémantique visuelle.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate feature embeddings for an image
# This converts the visual content into a numerical vector
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Output the shape of the embedding vector (e.g., length 1280)
print(f"Embedding vector shape: {results[0].shape}")

Link to this sectionApplications concrètes#

La recherche sémantique a révolutionné la façon dont les utilisateurs découvrent des informations dans divers secteurs, rendant les systèmes plus intelligents et plus efficaces.

• E-Commerce et découverte visuelle : Dans le monde de l'AI in retail, la recherche sémantique alimente les fonctionnalités « shop the look ». Un client peut télécharger une photo d'une basket ou rechercher « vibrations estivales vintage ». Le système utilise la computer vision pour comprendre le style visuel et récupère des produits qui correspondent à l'esthétique, même si les descriptions de produits ne contiennent pas ces mots-clés exacts. Cela implique souvent des Multi-Modal Models capables de comprendre à la fois les entrées de texte et d'image.
• Gestion des connaissances et RAG : Les grandes organisations utilisent la recherche sémantique pour aider les employés à trouver des documents internes. Au lieu de mémoriser les noms de fichiers exacts, un employé peut poser une question comme « Comment réinitialiser le serveur ? ». Le système utilise le Retrieval-Augmented Generation (RAG) pour trouver les documents de politique les plus pertinents basés sur le sens et les transmet à un Large Language Model (LLM) pour générer une réponse précise.
• Recommandation de contenu : Les plateformes de streaming utilisent la compréhension sémantique pour améliorer leur recommendation system. En analysant les résumés d'intrigue et les feature maps visuelles des films qu'un utilisateur apprécie, la plateforme peut suggérer d'autres titres qui partagent des thèmes ou des ambiances similaires, gardant ainsi les utilisateurs engagés plus longtemps.

Link to this sectionRecherche sémantique vs concepts associés#

Pour saisir pleinement l'utilité de la recherche sémantique, il est utile de la distinguer des termes associés dans le paysage de la data science.

• Vector Search : Bien que souvent utilisés de manière interchangeable, il existe une distinction technique. La recherche vectorielle est la méthode mathématique de calcul de la distance entre des vecteurs (souvent en utilisant la cosine similarity). La recherche sémantique est l'application plus large qui utilise la recherche vectorielle pour atteindre l'objectif de compréhension de l'intention de l'utilisateur.
• Recherche par mots-clés : Il s'agit de la méthode traditionnelle reposant sur la correspondance exacte de chaînes. Elle est moins coûteuse en termes de calcul mais fragile ; elle peine avec les synonyms et la polysémie (mots ayant plusieurs significations). La recherche sémantique nécessite plus de puissance de calcul mais offre une pertinence nettement supérieure.
• Zero-Shot Learning : Cela fait référence à la capacité d'un modèle à classifier des données qu'il n'a jamais vues pendant l'entraînement. Les moteurs de recherche sémantique présentent souvent des capacités de zero-shot car ils peuvent mapper une nouvelle requête inconnue vers des clusters existants de concepts connus au sein de l'espace d'embedding sans réentraînement.

La mise en œuvre de la recherche sémantique nécessite généralement un pipeline robuste pour la gestion des datasets et l'entraînement des modèles. L'Ultralytics Platform simplifie cela en fournissant des outils pour annoter les données, entraîner les modèles et les déployer efficacement. Pour les développeurs cherchant à construire ces systèmes, l'exploration du Ultralytics similarity search guide fournit des étapes pratiques pour intégrer ces fonctionnalités puissantes dans les applications.