Recherche sémantique

La recherche sémantique est une technique avancée de recherche d'informations qui va au-delà de la simple correspondance littérale des mots-clés pour comprendre l'intention et la signification contextuelle derrière la requête d'un utilisateur. En exploitant des algorithmes sophistiqués de traitement du langage naturel (NLP) et d'apprentissage automatique (ML), cette technologie comble le fossé entre le langage humain et la compréhension des machines. Il s'agit d'un composant essentiel des systèmes modernes systèmes d'intelligence artificielle (IA) modernes, leur permettant de récupérer des résultats très pertinents même lorsque les termes de recherche exacts ne figurent pas dans les données sources.

Comment fonctionne la recherche sémantique ?

Le mécanisme central de la recherche sémantique consiste à convertir des données non structurées, telles que du texte, des images ou des fichiers audio, en vecteurs numériques à haute dimension appelés « embeddings ». Ces vecteurs sont placés dans un espace sémantique multidimensionnel où les éléments ayant des significations similaires conservent une relation spatiale étroite .

Par exemple, dans un système sémantique, une recherche sur « compagnon félin » correspondrait étroitement à « chat » ou « chaton » car le modèle d'apprentissage profond comprend la relation conceptuelle, alors qu'un moteur de recherche lexical traditionnel pourrait échouer si le mot spécifique « félin » n'apparaît pas dans les documents cibles. Ce processus s'appuie souvent sur des solutions de stockage spécifiques telles que les bases de données vectorielles (par exemple, Milvus ou Pinecone) pour indexer et récupérer efficacement ces intégrations.

Le code Python suivant montre comment générer des feature embeddings à partir d'une image à l'aide de la fonction ultralytics paquet. Il s'agit de l'étape fondamentale dans la construction d'un système de recherche sémantique visuelle.

from ultralytics import YOLO

# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

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

# Print the shape of the embedding vector to verify output
print(f"Embedding vector shape: {results[0].shape}")

Applications concrètes

La recherche sémantique a transformé divers secteurs en rendant la recherche d'informations plus intuitive et plus efficace.

• Commerce électronique et découverte visuelle: Les détaillants en ligne utilisent la recherche sémantique pour améliorer l'expérience du client. l 'expérience client. Un acheteur peut chercher "robe d'été à fleurs". "robe d'été à fleurs", et le système peut renvoyer des correspondances visuelles pertinentes même si les descriptions de produits ne contiennent pas les mots-clés exacts. produits ne contiennent pas ces mots clés exacts. Ce type de recherche utilise souvent modèles multimodaux capables de traiter simultanément et d'images simultanément.
• Gestion des connaissances et RAG: Dans les entreprises, les employés recherchent souvent des documents en se basant sur des concepts plutôt que sur des noms de fichiers. sur des concepts plutôt que sur des noms de fichiers. Les pouvoirs de la recherche sémantique Génération améliorée de la recherche (RAG), où une IA récupère des informations contextuellement pertinentes pour répondre à des questions complexes, en améliorant les capacités des grands modèles de langage (LLM). des grands modèles de langage (LLM).
• Recommandation de contenu: les services de streaming et les plateformes de contenu utilisent la compréhension sémantique pour créer des systèmes de recommandation. En analysant les cartes sémantiques des contenus appréciés par un utilisateur, le système peut suggérer des films ou des articles conceptuellement similaires, ce qui permet de maintenir l'intérêt des utilisateurs.

Recherche sémantique vs. Concepts connexes

Il est important de distinguer la recherche sémantique des autres termes de recherche d'informations pour comprendre son rôle spécifique dans le paysage de l'IA. dans le paysage de l'IA.

• Recherche vectorielle: La recherche vectorielle est la méthode mathématique utilisée pour effectuer une recherche sémantique. Elle consiste à calculer la distance entre les vecteurs (à l'aide de métriques telles que comme la similarité cosinus) pour trouver les voisins les plus proches. La recherche sémantique est une application plus large qui englobe la compréhension de l'intention.
• Recherche par mot-clé: Il s'agit de l'approche traditionnelle qui repose sur la recherche de chaînes de caractères exactes. Elle est moins coûteuse en termes de calcul, mais ne permet pas de comprendre les synonymes ou la polysémie (mots à sens multiples). sens).
• L'apprentissage par le tir à zéro: Il s'agit de la capacité d'un modèle à reconnaître ou à catégoriser des éléments qu'il n'a jamais vus auparavant au cours de la formation. Les moteurs de recherche sémantique présentent souvent des capacités d'apprentissage à partir de zéro, car ils peuvent faire correspondre de nouvelles requêtes à des groupes sémantiques existants sans réapprentissage explicite. sémantiques existantes sans réapprentissage explicite.
• Compréhension du langage naturel (NLU): Le NLU est un sous-ensemble du NLP qui se concentre sur la compréhension de la lecture par la machine. Alors que le NLU fournit l'intelligence nécessaire pour interpréter la requête, la recherche sémantique est le processus de récupération qui agit sur cette interprétation. la requête, la recherche sémantique est le processus de récupération qui agit sur cette interprétation.

En allant au-delà de la correspondance rigide des mots-clés, la recherche sémantique permet aux systèmes de vision par ordinateur et aux systèmes basés sur le texte d' interagir avec les humains d'une manière plus naturelle et « humaine ». Pour les développeurs qui souhaitent mettre en œuvre ces fonctionnalités, le guide de rechercheUltralytics propose des étapes pratiques pour appliquer ces concepts à l'aide de YOLO11. YOLO11 ou le tout dernier YOLO26.