Recherche sémantique

La recherche sémantique est une technique avancée de recherche d'informations qui vise à comprendre l'intention et le sens contextuel derrière la requête d'un utilisateur, plutôt que de simplement faire correspondre les mots-clés. Contrairement aux moteurs de recherche traditionnels qui s'appuient sur la correspondance littérale des termes, la recherche sémantique utilise le Traitement du Langage Naturel (TLN) et l'Apprentissage Machine (ML) pour fournir des résultats plus pertinents et précis. L'objectif est de combler le fossé entre le langage humain et les données structurées que les ordinateurs peuvent facilement traiter, conduisant à une expérience de recherche plus intuitive et efficace.

Cette technologie est alimentée par la conversion de données non structurées telles que du texte ou des images en représentations numériques appelées embeddings. Des modèles tels que CLIP (Contrastive Language-Image Pre-Training) d'OpenAI ou BERT de Google sont formés pour générer ces embeddings, qui capturent l'essence sémantique du contenu. Une fois que les données sont représentées sous forme de vecteurs, une base de données vectorielles comme Milvus ou Weaviate utilise des algorithmes spécialisés comme FAISS de Meta pour effectuer une recherche de similarité rapide et efficace.

Applications concrètes

La recherche sémantique a transformé la façon dont nous interagissons avec l'information numérique dans divers domaines. Deux exemples importants incluent :

1. Recherche sémantique d'images : Dans les domaines créatifs ou pour la gestion de grands ensembles de données d'images, les utilisateurs ont souvent besoin de trouver des images basées sur des concepts abstraits. Par exemple, un graphiste peut rechercher "une plage paisible et isolée au coucher du soleil". Un système traditionnel aurait du mal avec cette requête à moins que les images ne soient méticuleusement étiquetées. Un système de recherche sémantique, comme celui proposé par Ultralytics, analyse le contenu des images elles-mêmes, renvoyant des visuels qui correspondent à l'ambiance et aux éléments décrits sans s'appuyer sur les noms de fichiers ou les balises. Vous pouvez en apprendre davantage sur la mise en œuvre de ceci dans notre guide de recherche de similarité.
2. Découverte de produits de commerce électronique : Les détaillants en ligne exploitent la recherche sémantique pour améliorer l'expérience d'achat. Un client peut rechercher « bottes chaudes pour un hiver enneigé » au lieu d'un nom de produit spécifique. Le moteur de recherche peut comprendre les concepts de « chaud » et « enneigé » et recommander des produits tels que des bottes isolées et imperméables, même si ces mots-clés exacts ne figurent pas dans la description du produit. Cela se traduit par une plus grande satisfaction des clients et de meilleures ventes, comme l'expliquent les experts du secteur chez Forbes.

Recherche sémantique vs. Concepts connexes

Il est important de différencier la recherche sémantique de plusieurs termes associés dans le domaine de l'IA et de la science des données :

• Recherche par mots clés : Il s'agit de la méthode traditionnelle de mise en correspondance des mots littéraux d'une requête avec des documents. Elle ne peut pas comprendre les synonymes, le contexte ou l'intention de l'utilisateur, qui sont les principaux atouts de la recherche sémantique.
• Recherche vectorielle : Il s'agit de la méthode de recherche d'éléments similaires en calculant la proximité de leurs représentations vectorielles. Bien que la recherche vectorielle soit un composant essentiel de la plupart des systèmes de recherche sémantique modernes, la recherche sémantique est le concept plus large qui inclut également l'étape initiale de compréhension du sens grâce à des modèles NLP sophistiqués de sociétés comme Cohere.
• Graphe de connaissances: Un graphe de connaissances structure l'information en tant qu'entités et leurs relations. Il peut considérablement améliorer la recherche sémantique en fournissant un contexte structuré, comme on le voit avec le Graphe de connaissances de Google. Cependant, la recherche sémantique peut également fonctionner directement sur des données non structurées en utilisant uniquement des embeddings, ce qui rend les deux technologies complémentaires.
• Reconnaissance d'Entités Nommées (REN): La REN est une sous-tâche du TAL qui identifie des entités spécifiques comme les noms, les lieux et les organisations dans le texte. Elle peut être utilisée comme étape de prétraitement dans un pipeline de TAL pour alimenter un système de recherche sémantique avec des concepts clés, mais elle n'est pas le processus de recherche lui-même.

La recherche sémantique est une pierre angulaire des solutions d'IA modernes, permettant des systèmes plus intelligents et conviviaux. Cette technologie alimente tout, des recherches web quotidiennes aux applications d'IA spécialisées, y compris la recherche visuelle construite avec les modèles Ultralytics YOLO et gérée via des plateformes comme Ultralytics HUB.