Semantic Search

La recherche sémantique est une technique sophistiquée de recherche d'informations qui vise à comprendre l'intention et le sens contextuel de la requête d'un utilisateur, plutôt que de simplement rechercher des mots spécifiques. En s'appuyant sur les avancées du traitement automatique du langage naturel (NLP) et de l'apprentissage automatique (ML), cette technologie permet aux systèmes d'interpréter le langage humain avec davantage de subtilité. Elle constitue un pilier des applications modernes d'intelligence artificielle (AI), en permettant des interactions plus intuitives entre les humains et les machines grâce à la réduction de l'écart entre les requêtes ambiguës des utilisateurs et les données pertinentes.

Fonctionnement de la recherche sémantique#

À la base, la recherche sémantique va au-delà de la mise en correspondance littérale des 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 les données non structurées—telles que du texte, des images ou de l'audio—en représentations mathématiques appelées plongements.

Ces plongements sont des vecteurs de grande dimension placés dans un « espace sémantique ». Dans cet espace, les éléments ayant des significations similaires sont positionnés à proximité les uns des autres. Par exemple, le vecteur de « voiture » serait mathématiquement plus proche de « automobile » et de « route » que de « banane ». Lorsqu'un utilisateur envoie une requête, le système la convertit en vecteur et trouve les points de données les plus proches dans la base de données vectorielle. Ce processus repose sur des modèles d'apprentissage profond pour effectuer l'extraction de caractéristiques et identifier les caractéristiques essentielles des données.

Le code Python suivant montre comment générer ces plongements à l'aide du modèle Ultralytics YOLO26, une étape fondamentale pour permettre 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}")

Applications concrètes#

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

• E-commerce et découverte visuelle : Dans le domaine de l'AI dans le commerce de détail, la recherche sémantique alimente les fonctionnalités permettant de « recréer le look ». Un client peut importer une photo d'une basket ou rechercher « ambiance estivale vintage ». Le système utilise la vision par ordinateur pour comprendre le style visuel et récupérer des produits correspondant à l'esthétique recherchée, même si les descriptions des produits ne contiennent pas ces mots-clés exacts. Cela implique souvent des modèles multimodaux capables de comprendre à la fois les entrées textuelles et les images.
• Gestion des connaissances et RAG : Les grandes organisations utilisent la recherche sémantique pour aider leurs employés à trouver des documents internes. Plutôt que de se souvenir des noms de fichiers exacts, un employé peut poser une question comme « Comment réinitialiser le serveur ? » Le système utilise la génération augmentée par récupération (RAG) pour trouver les documents de politique interne les plus pertinents en fonction de leur sens, puis les transmet à un grand modèle de langage (LLM) afin de générer une réponse précise.
• Recommandation de contenu : Les plateformes de streaming utilisent la compréhension sémantique pour améliorer leur système de recommandation. En analysant les résumés de l'intrigue et les cartes de caractéristiques visuelles des films qu'un utilisateur apprécie, la plateforme peut suggérer d'autres titres partageant des thèmes ou des ambiances similaires, ce qui maintient l'engagement des utilisateurs plus longtemps.

Recherche sémantique et concepts associés#

Pour bien comprendre l'utilité de la recherche sémantique, il est utile de la distinguer des termes associés dans le domaine de la science des données.

• Recherche vectorielle : Bien que ces termes soient souvent utilisés indifféremment, il existe une distinction technique. La recherche vectorielle est la méthode mathématique permettant de calculer la distance entre des vecteurs, souvent à l'aide de la similarité cosinus. La recherche sémantique est l'application plus large qui utilise la recherche vectorielle pour comprendre l'intention de l'utilisateur.
• Recherche par mots-clés : Il s'agit de la méthode traditionnelle reposant sur la correspondance exacte de chaînes de caractères. Elle est moins coûteuse sur le plan informatique, mais fragile ; elle rencontre des difficultés avec les synonymes et la polysémie (les mots ayant plusieurs significations). La recherche sémantique nécessite davantage de puissance de calcul, mais offre une pertinence nettement supérieure.
• Apprentissage zéro-shot : Il s'agit de la capacité d'un modèle à classer des données qu'il n'a jamais vues pendant l'entraînement. Les moteurs de recherche sémantique présentent souvent des capacités zéro-shot, car ils peuvent associer une nouvelle requête inconnue à des groupes existants de concepts connus dans l'espace des plongements, sans réentraînement.

La mise en œuvre de la recherche sémantique nécessite généralement un pipeline robuste pour gérer les jeux de données et l'entraînement des modèles. La plateforme Ultralytics simplifie ce processus en fournissant des outils pour annoter les données, entraîner les modèles et les déployer efficacement. Pour les développeurs souhaitant créer ces systèmes, consulter le guide Ultralytics sur la recherche de similarité fournit des étapes pratiques pour intégrer ces puissantes fonctionnalités dans des applications.