Imaginez ceci. Vous utilisez une application dans votre entreprise. Peut-être le portail RH, une base de données de support client ou le wiki interne avec toutes ces politiques à respecter. Vous tapez une question dans la barre de recherche. Quelque chose comme comment remplir une note de frais pour un dîner client ? Vous appuyez sur Entrée et qu'obtenez-vous ? Rien. Ou pire, une liste de PDF aléatoires vieux de 3 ans qui correspondent vaguement au mot tapé. La recherche est un outil que nous utilisons chaque jour. Et la plupart du temps, c'est médiocre. Mais voilà, cela ne devrait pas être le cas. Si vos applications pouvaient vraiment comprendre ce que vous demandez, et si elles cherchaient comme Google en trouvant la bonne réponse, même sans les mots parfaits, harfaits, aujourd'hui, nous abordons Azure et iSearch. Ce que c'est, comment cela fonctionne et pourquoi, c'est le moteur de recherche des applications modernes.

Prenez votre café et plongeons dans le sujet. Pourquoi la recherche a fait les défaillants ? Pour comprendre pourquoi la recherche échouit, il faut voir comment la plupart des applications fonctionnent. La méthode traditionnelle s'appelle la recherche par mot-clé ou recherche lexicale. Vous tapez le mot ordinateur et le système cherche tous les documents contenant exactement ce mot. En coulisses, beaucoup de ces systèmes utilisent un algorithme appelé BM25. Ce n'est pas complexe, mais c'est assez astucieux. BM25 classe les résultats selon quelques critères. La fréquence du terme dans le document, la longueur du document et la rareté du terme dans l'ensemble des données. Imaginez un compteur de mots sophistiqué qui détermine la pertinence des documents selon ses facteurs. C'est là que ça coince. Le langage humain est complexe. Les gens n'utilisent pas les mêmes mots que ceux figurant dans les documents.

Prenons un exemple concret. Un utilisateur tape ceci dans un portail de supplication. Mon ordinateur se bloque pendant les appels vidéo. La recherche par mot-clé cherchera les documents contenant ordinateur, bloc, pendant, appel et vidéo. Mais si le meilleur article s'intitule « Résoudre les blocages systèmes lors des réunions Teams 1 » ou « Gérer le bridage CPU sur les ordinateurs connectés », la recherche par mot-clé ignore totalement ses résultats. Parce que les mots ne correspondent pas. Le problème fondamental est suivant. La recherche par mot-clé comprend l'orthographe. Elle comprend les motifs de caractère, mais elle ne comprend pas le sens. Vous obtenez des résultats avec les bonnes lettres, mais souvent le mauvais contenu. Alors, si la correspondance exacte des mots laisse autant de lacunes, quelle est l'alternative ? La nouvelle méthode, la recherche vectorielle. Alors, la recherche vectorielle, c'est une façon totalement différente de procéder.

Au lieu de faire correspondre des mots exacts, elle fait correspondre le sens. Cela semble abstrait, alors simplifions les choses. La définition la plus simple à retenir est la suivante. Un vecteur est juste une liste de nombres représentant quelque chose qu'un ordinateur peut traiter. C'est tout, une liste de nombres. Un plongement est un type particulier de vecteur qui capture le sens d'un texte. Il prend une phrase, un paragraphe, voire un document entier, et le transforme en une longue liste de nombres. L'ordinateur ne comprend pas les mots, mais il comprend les nombres. Voici une analogie utile. Imaginez les vecteurs comme des coordonnées sur une carte. Sur une carte, les lieux similaires sont proches les uns des autres. Dans l'espace vectoriel, les concepts similaires se retrouvent proches les uns des autres. Le vecteur pour Y et le vecteur pour Renek sont proches car ils représentent des idées liées-liées.

Le vecteur pour Y et K et le vecteur pour Pam K sont très éloignés. L'ordinateur ne sait pas ce que Rowing signifie au sens humain, mais il peut mesurer la distance entre ces coordonnées et celles de tout autre mot ou document. C'est comme avoir un GPS pour les idées. Le système sait à quelle distance se trouvent les concepts en regardant simplement les nombres. Lorsque vous effectuez une recherche par vecteur, le système convertit votre requête en un plongement. Ensuite, il trouve les documents dont les plongements sont les plus proches du vôtre. Il trouve des choses sémantiquement similaires, qui partagent un sens, pas juste vocabulaire. Imaginez que vous cherchiez un document pour dépanner un ordinateur portable. Avec une recherche par mots-clés, vous devriez taper à blocageux ou gagelleux exactement. Mais avec la recherche vectorielle, vous pouvez taper à car mon ordinateur n'arrête pas de se figer.

Bégaille trouve le bon document. C'est là toute la puissance de la compréhension du sens. Revenons à notre exemple de recherche défaillante. Mon ordinateur portable n'arrête pas de figer. Avec la recherche vectorielle, le système peut renvoyer l'article sur les blocages systèmes durant les réunions Teams, même si aucun de ces mots n'apparaît dans la requête. Pourquoi ? Parce que le sens de cache système égneux est très proche de coordinateurs qui se figent au cas dans l'espace vectoriel. Les concepts vivent près les uns des autres, sur cette carte. Le système ne se soucie pas des mots exacts, il se soucie de ce que vous voulez dire. C'est là toute la percée. Les ordinateurs commencent à comprendre l'intention, pas seulement l'orthographe. Ils trouvent des réponses qu'une recherche par mots-clés ignorerait totalement. Mais la recherche vectorielle a aussi une faiblesse. Elle peut manquer des correspondances exactes qui sont absolument critiques.

Si un technicien recherche un code d'erreur spécifique comme l'erreur XQ1-670-570-570, une recherche vectorielle pourrait privilégier des documents sur les erreurs de disque ou la corruption du système de fichiers, plutôt que le document exact analysant ce code précis. Elle sacrifie la précision au profit de la compréhence. Nous avons donc deux méthodes. La recherche par mots-clés est excellente pour la précision. Elle identifie parfaitement les termes exacts, les identifiants de produits et les numéros de contrat. La recherche vectorielle est idéale pour le sens. Elle trouve la bonne réponse même lorsque vous n'utilisez pas les bons mots. Chacune a ses angles morts. Cela soulève une question évidente. Et si vous pouviez combiner les deux approches pour obtenir le meilleur des deux mondes ? La percée hybride. La recherche hybride offre le meilleur des deux mondes. Elle exécute simultanément la recherche par mots-clés et vectoriels, puis combine les résultats en une seule liste classée.

Au lieu de choisir une approche plutôt qu'une autre, le système utilise une méthode appelée fusion de rang réciproque ou RRF. Voici comment cela fonctionne. Le RRF examine le classement de chaque document dans les résultats par mots-clés et dans les résultats vectoriels. Ensuite, il attribue un score comme. Si un document est bien classé dans les deux, il reçoit un boost. C'est comme prendre deux avis d'experts et en faire la moyenne. La réponse finale est plus fiable que celle obtenue par l'une ou l'autre méthode seule. C'est important car la recherche par mots-clés et la recherche vectorielle ont des forces fondamentalement différentes. La recherche par mots-clés excelle dans les correspondants exemples. C'est votre outil privilégié pour les identifiants de produits, numéros de contrat, non spécifiques, code d'erreur. Elle est précise et prévisible. La recherche vectorielle excelle dans la similarité sémantique, trouvant des documents qui partagent le sens de votre requête, même sans les mots exacts.

Ensemble, elles couvrent mutuellement leurs angles morts. Le système capture à la fois les correspondances exactes et conceptuelles en une seule requête. C'est l'accurité de la vérité à pulsant. Et ce n'est pas seulement théorique. Les recherches sur la recherche hybride en entreprise montrent qu'elle offre une précision de récupération de 70 à 80% selon l'ensemble de données. C'est environ 15 à 20 points de pourcentage de plus que ce que vous obtenez avec la recherche vectorielle seule. La différence est significative et se reflète dans les résultats commerciaux réels. Prenons la plateforme de comptabilité Xero. Ils ont implémenté la recherche hybride dans leur expérience de support client via une entreprise appelée Coveo. En trois mois, ils ont constaté une augmentation de 20% de la résolution en libre-service. Les clients ont trouvé les réponses par eux-mêmes plus souvent, sans avoir besoin de contacter le support.

D'autres clients de la même étude de cas ont vu jusqu'à 40% de réduction du temps de résolution pour les dossiers de support. Cela signifie que les agents ont trouvé les bonnes informations plus vite, les clients ont obtenu des réponses plus rapidement. Et les coûts de support ont baissé. Ce n'est pas juste une fonctionnalité agréable, c'est un impact mesurable sur les résultats financiers. C'est là le point essentiel. La recherche hybride n'est pas juste une amélioration ou une case à cocher, elle est nettement plus performante. Elle offre une meilleure précision, un meilleur rappel et de meilleurs résultats pour l'utilisateur. C'est cette combinaison d'approche qui rend Azure et iSearch puissants pour les applications modernes. Cette combinaison permet une autre technologie qui attire beaucoup d'attention en ce moment. Il s'agit du RAG, la connexion RAG. Parlons donc du RAG ou génération augmentée par récupération.

Génération augmentée par récupération. C'est un terme complexe. Mais voici la définition la plus simple. C'est un cadre qui donne aux assistants IA accès à des informations sur lesquelles ils n'ont pas été entraînés. Les modèles de langage comme GPT connaissent bien l'histoire, la science et le code. Mais ils ignorent vos documents internes, vos politiques, l'historique, client ou vos procédures spécifiques, euh spécifiques. La plupart des gens pensent qu'il suffit d'injecter toutes ces connaissances internes dans le modèle lui-même. Cela ne fonctionne pas. C'est coûteux et difficile à mettre à jour. Le RAG résout ce problème de manière ingénieuse. Au lieu de tout entasser dans le modèle, vous récupérez les informations pertinentes dans une base de connaissances au moment de la question. Vous prenez la requête de l'utilisateur, cherchez dans vos données internes, trouvez les documents pertinents et fournissez ce contexte au LLM avec la question originale, avec la question originale.

Le LLM génère alors une réponse basée sur vos données. C'est là toute la magie. Azure AI Search constitue la moitié récupération de cette équation. C'est le moteur qui trouve les bons documents pour que le LLM puisse répondre avec précision. Sans une couche de récupération solide, un système RAG ne vaut que ce que valent les documents qu'il trouve. C'est là que la recherche hybride brille, car les requêtes RAG sont souvent des questions au langage naturel, avec des réponses situées dans des documents vocabulaires très différents. Laissez-moi vous donner quelques chiffres qui montrent vraiment la différence. Une étude sur la recherche en entreprise a révélé qu'un cadre RAG hybride améliorait la précision de récupération kkaguée de 18 à 25 fois par rapport à une recherche par mots-clés seule. La précision de l'exécution des tâches a été multipliée par 21. Cela signifie que les utilisateurs réussissaient bien mieux leurs tâches complexes, avec un système RAG utilisant la recherche hybride.

Dans l'ensemble, des systèmes RAG bien implémentés peuvent augmenter la précision de recherche de 85% en moyenne, certains domaines spécialisés atteignant 89% sans. Comme le LLM génère des réponses basées sur le contexte récupéré plutôt que sur des suppositions, les systèmes RAG ont montré une réduction d'environ 40% des hallucinations. C'est pourquoi Azure Eye Search est essentiel pour créer des agents IA et des copilotes. Il fournit la récupération de faits vérifiables qui rend les LLM dignes de confiance dans un contexte professionnel. Si vous créez un assistant qui doit répondre avec précision aux questions et citer ses sources, la recherche hybride associée au RAG est l'architecture que vous privilégierez. La recherche hybride et le RAG forment donc une combinaison puissante. Mais qu'est-ce que cela donne en pratique ? Quel est l'impact réel ? Où cela se manifeste-t-il concrètement ?

Laissez-moi vous donner quelques exemples. Le commerce en ligne est probablement l'exemple le plus courant. Un clientable chaussure de course confortable qui est dans la barre de recherche. La fiche produit indique peut-être qu'à baskets à Morty Higri, car l'équipe marketing a choisi des termes différents. Une recherche par mots-clés passerait totalement à côté du résultat. Avec Azure et iSearch, le système comprend que cas confortables et gun et amorti gun ont pratiquement le même sens dans ce contexte. Il affiche le bon produit même lorsque les termes ne correspondent pas. Résultat, le client trouve ce qu'il cherche. Au lieu de quitter le site, frustré, les portails de support client fonctionnent de la même manière. Imaginez qu'un client type ? Comment annuler mon abonnement ? La politique concernée pourrait être intitulée « Résiliation de contrat de service gun ». La recherche hybride trouve ce document précis grâce à la correspondance des mots-clés juridiques, mais elle affiche aussi une FAQ connexe sur la fin anticipée d'un forfait grâce à la similarité sémantique.

Grâce à la sémantique. Le client obtient une réponse complète au lieu de voir fouiller dans cinq articles différents. La récupération de documents juridiques en est un autre exemple. Les avocats doivent rechercher des contrats par numéro de clause et référence de section exacte. C'est le domaine pur des mots-clés, mais ils ont aussi besoin de trouver des formulations similaires dans divers accords, même si les termes diffèrent. La recherche hybride gère les deux en une seule requête, et dans les secteurs réglementés, pouvoir retracer précisément pourquoi un résultat est apparu et crucial pour la conformité. Les bases de connaissances internes en profitent également. Un employé cherchant la politique de congé obtient le document officiel des RH, mais aussi un email lié de l'équipe juridique sur le report des jours, et une mise à jour récente sur l'intranet. La recherche comprend que tous ces éléments sont liés à la même question.

L'industrie manufacturière est un exemple moins évident, mais très puissant. Un technicien tape car réparation surchauffe moteur que que dans l'interface de recherche. Le système renvoie la section de dépannage du manuel d'équipement, ainsi qu'un schéma numérisé montrant les pièces concernées. Même si le schéma est une image, Azure et iSearch peuvent extraire et indexer son contenu textuel pour qu'il apparaisse dans les résultats. Le point commun entre tous ces exemples est le recours aux données non structurées. PDF, document Word, ticket de support par email, image numérisée. Les requêtes de base de données et la recherche par mots-clés classiques n'ont jamais été conçues pour ce type de données. Azure et iSearch est conçu spécifiquement pour ce monde, et plus on l'étudie, plus il devient clair que la recherche hybride n'est pas qu'une simple option. C'est un élément fondamental dans la création des applications modernes.

Comment les pièces s'assemblent ? Alors comment tout cela fonctionne-t-il vraiment en coulisses ? Azure et iSearch repose sur trois piliers. La source de données, l'indexeur et l'index de recherche. La source de données est l'endroit où résident vos informations. Il peut s'agir d'un stockage blob, d'une base de données Azure SQL, de Cosmos DB, ou même de SharePoint. C'est la matière première qui doit devenir interrogeable. Voyez cela comme une pile de documents en attente d'être organisé. L'indexeur et le pipeline qui lit les données de cette source extraient le contenu, appliquent l'enrichissement IA, configuré et construit l'index de recherche. Voici une façon simple de l'imaginer. Imaginez un bibliothécaire entrant dans un entrepôt rempli de livres. Il lit chaque ouvrage, prend des notes détaillées, identifie les thèmes et entités clés, et organise le tout dans un catalogue sur fiche.

Cette lecture et cette prise de notes constituent le processus d'indexation. L'index de recherche est ce catalogue sur fiche. Ce ne sont pas les livres eux-mêmes. C'est le système structuré et optimisé qui vous permet de trouver exactement ce dont vous avez besoin en quelques millisecondes. Lorsque vous tapez une requête, le système ne revient pas aux documents originaux pour les analyser. Au lieu de cela, il consulte l'index, qui sait déjà exactement où tout est situé. Cette préorganisation est appelée index inversé. Au lieu de stocker des documents avec la liste des mots qu'ils contiennent, vous stockez des mots avec la liste des documents où ils apparaissent. Cela signifie que lorsque vous cherchez un terme, vous accédez directement au bon endroit. Pas besoin de feuilleter chaque page. Le résultat est un gain de vitesse considérable. Au lieu de devoir analyser chaque document, ce qui prend plus de temps.

À mesure que vos données augmentent, vous allez droit. Au but, non. Avec des millions de documents, c'est la différence entre une recherche qui prend des secondes et une autre qui prend des millisecondes. Vous comprenez maintenant ce qu'est Azure Eye Search, comment ces composants s'articulent et pourquoi la recherche hybride change la donne. Concluons avec quelques exemples concrets de ce que vous pouvez en faire. Premièrement, comprenez vos données. Si elles sont déjà structurées, comme des tables produits SQL ou des dossiers clients, tout ce qui présente des lignes. Et colonne propre, vous pouvez les interroger directement en SQL. Azure Eye Search est conçu pour le texte non structuré. C'est-à-dire les PDF, e-mail, documents Word, tickets de support. C'est là qu'il apporte une réelle valeur ajoutée. Deuxièmement, si vous créez une application RAG ou un assistant IA, Azure Eye Search, avec sa recherche hybride, est le moteur de récupération qu'il vous faut.

Il vous offre des correspondances par mots-clés exacts pour la précision et une compréhension sémantique pour le contexte. Cette combinaison produit des réponses plus fiables et faciles à citer que chaque approche séparément à… Troisièmement, ne compliquez pas inutilement la configuration. Le portail Azure dispose d'un assistant d'importation. Connectez votre stockage blob, configurez quelques paramètres et laissez l'indexeur créer votre premier index. Vous pouvez effectuer votre première recherche en main du… Voilà donc Azure Eye Search, expliquez simplement. Il transforme des informations désordonnées et non structurées en connaissances interrogeables et prêtes pour l'IA. Merci de m'avoir suivi. Abonnez-vous et je vous retrouve dans le prochain épisode.