WEBVTT 00:00:00.000 --> 00:00:00.640 Imaginez ceci. 00:00:00.940 --> 00:00:02.500 Vous utilisez une application dans votre entreprise. 00:00:02.680 --> 00:00:05.540 Peut-être le portail RH, une base de données de support client ou le wiki interne 00:00:05.540 --> 00:00:07.300 avec toutes ces politiques à respecter. 00:00:07.900 --> 00:00:09.300 Vous tapez une question dans la barre de recherche. 00:00:09.780 --> 00:00:12.680 Quelque chose comme comment remplir une note de frais pour un dîner client ? 00:00:12.680 --> 00:00:14.780 Vous appuyez sur Entrée et qu'obtenez-vous ? 00:00:14.780 --> 00:00:14.980 Rien. 00:00:15.640 --> 00:00:19.500 Ou pire, une liste de PDF aléatoires vieux de 3 ans qui correspondent vaguement au mot tapé. 00:00:19.980 --> 00:00:21.620 La recherche est un outil que nous utilisons chaque jour. 00:00:22.140 --> 00:00:23.460 Et la plupart du temps, c'est médiocre. 00:00:23.960 --> 00:00:25.240 Mais voilà, cela ne devrait pas être le cas. 00:00:25.860 --> 00:00:27.880 Si vos applications pouvaient vraiment comprendre ce que vous demandez, 00:00:27.880 --> 00:00:30.620 et si elles cherchaient comme Google en trouvant la bonne réponse, 00:00:30.880 --> 00:00:32.880 même sans les mots parfaits, harfaits, 00:00:33.580 --> 00:00:35.040 aujourd'hui, nous abordons Azure et iSearch. 00:00:35.760 --> 00:00:37.760 Ce que c'est, comment cela fonctionne et pourquoi, 00:00:37.900 --> 00:00:40.260 c'est le moteur de recherche des applications modernes. 00:00:40.900 --> 00:00:42.160 Prenez votre café et plongeons dans le sujet. 00:00:42.620 --> 00:00:44.060 Pourquoi la recherche a fait les défaillants ? 00:00:44.060 --> 00:00:45.220 Pour comprendre pourquoi la recherche échouit, 00:00:45.300 --> 00:00:46.880 il faut voir comment la plupart des applications fonctionnent. 00:00:47.980 --> 00:00:50.640 La méthode traditionnelle s'appelle la recherche par mot-clé ou recherche lexicale. 00:00:51.440 --> 00:00:54.560 Vous tapez le mot ordinateur et le système cherche tous les documents 00:00:54.560 --> 00:00:56.380 contenant exactement ce mot. 00:00:56.380 --> 00:01:00.780 En coulisses, beaucoup de ces systèmes utilisent un algorithme appelé BM25. 00:01:01.400 --> 00:01:03.320 Ce n'est pas complexe, mais c'est assez astucieux. 00:01:04.280 --> 00:01:06.040 BM25 classe les résultats selon quelques critères. 00:01:07.320 --> 00:01:08.600 La fréquence du terme dans le document, 00:01:08.740 --> 00:01:11.440 la longueur du document et la rareté du terme dans l'ensemble des données. 00:01:12.920 --> 00:01:14.440 Imaginez un compteur de mots sophistiqué 00:01:14.440 --> 00:01:17.380 qui détermine la pertinence des documents selon ses facteurs. 00:01:18.760 --> 00:01:19.440 C'est là que ça coince. 00:01:19.820 --> 00:01:20.840 Le langage humain est complexe. 00:01:21.220 --> 00:01:23.280 Les gens n'utilisent pas les mêmes mots que ceux figurant dans les documents. 00:01:23.980 --> 00:01:25.020 Prenons un exemple concret. 00:01:25.020 --> 00:01:27.580 Un utilisateur tape ceci dans un portail de supplication. 00:01:28.480 --> 00:01:30.320 Mon ordinateur se bloque pendant les appels vidéo. 00:01:31.460 --> 00:01:33.420 La recherche par mot-clé cherchera les documents contenant 00:01:33.420 --> 00:01:38.040 ordinateur, bloc, pendant, appel et vidéo. 00:01:38.900 --> 00:01:40.340 Mais si le meilleur article s'intitule 00:01:40.340 --> 00:01:43.420 « Résoudre les blocages systèmes lors des réunions Teams 1 » 00:01:43.420 --> 00:01:46.620 ou « Gérer le bridage CPU sur les ordinateurs connectés », 00:01:46.620 --> 00:01:48.380 la recherche par mot-clé ignore totalement ses résultats. 00:01:48.980 --> 00:01:49.960 Parce que les mots ne correspondent pas. 00:01:50.220 --> 00:01:51.320 Le problème fondamental est suivant. 00:01:51.660 --> 00:01:53.080 La recherche par mot-clé comprend l'orthographe. 00:01:53.300 --> 00:01:55.860 Elle comprend les motifs de caractère, mais elle ne comprend pas le sens. 00:01:56.480 --> 00:01:59.260 Vous obtenez des résultats avec les bonnes lettres, mais souvent le mauvais contenu. 00:01:59.780 --> 00:02:01.740 Alors, si la correspondance exacte des mots laisse autant de lacunes, 00:02:02.000 --> 00:02:02.820 quelle est l'alternative ? 00:02:02.820 --> 00:02:05.140 La nouvelle méthode, la recherche vectorielle. 00:02:05.520 --> 00:02:07.960 Alors, la recherche vectorielle, c'est une façon totalement différente de procéder. 00:02:08.500 --> 00:02:10.960 Au lieu de faire correspondre des mots exacts, elle fait correspondre le sens. 00:02:11.320 --> 00:02:12.880 Cela semble abstrait, alors simplifions les choses. 00:02:13.200 --> 00:02:15.220 La définition la plus simple à retenir est la suivante. 00:02:15.280 --> 00:02:18.420 Un vecteur est juste une liste de nombres représentant quelque chose qu'un ordinateur peut traiter. 00:02:19.040 --> 00:02:20.280 C'est tout, une liste de nombres. 00:02:20.780 --> 00:02:23.780 Un plongement est un type particulier de vecteur qui capture le sens d'un texte. 00:02:23.860 --> 00:02:26.500 Il prend une phrase, un paragraphe, voire un document entier, 00:02:26.760 --> 00:02:28.340 et le transforme en une longue liste de nombres. 00:02:28.800 --> 00:02:31.360 L'ordinateur ne comprend pas les mots, mais il comprend les nombres. 00:02:31.360 --> 00:02:32.860 Voici une analogie utile. 00:02:33.180 --> 00:02:34.720 Imaginez les vecteurs comme des coordonnées sur une carte. 00:02:35.200 --> 00:02:37.060 Sur une carte, les lieux similaires sont proches les uns des autres. 00:02:37.220 --> 00:02:39.960 Dans l'espace vectoriel, les concepts similaires se retrouvent proches les uns des autres. 00:02:40.120 --> 00:02:44.600 Le vecteur pour Y et le vecteur pour Renek sont proches car ils représentent des idées liées-liées. 00:02:45.100 --> 00:02:47.660 Le vecteur pour Y et K et le vecteur pour Pam K sont très éloignés. 00:02:48.380 --> 00:02:50.560 L'ordinateur ne sait pas ce que Rowing signifie au sens humain, 00:02:51.040 --> 00:02:54.720 mais il peut mesurer la distance entre ces coordonnées et celles de tout autre mot ou document. 00:02:55.500 --> 00:02:56.980 C'est comme avoir un GPS pour les idées. 00:02:57.360 --> 00:03:00.520 Le système sait à quelle distance se trouvent les concepts en regardant simplement les nombres. 00:03:00.520 --> 00:03:04.740 Lorsque vous effectuez une recherche par vecteur, le système convertit votre requête en un plongement. 00:03:05.300 --> 00:03:07.680 Ensuite, il trouve les documents dont les plongements sont les plus proches du vôtre. 00:03:08.320 --> 00:03:12.180 Il trouve des choses sémantiquement similaires, qui partagent un sens, pas juste vocabulaire. 00:03:12.920 --> 00:03:15.260 Imaginez que vous cherchiez un document pour dépanner un ordinateur portable. 00:03:15.560 --> 00:03:19.020 Avec une recherche par mots-clés, vous devriez taper à blocageux ou gagelleux exactement. 00:03:19.560 --> 00:03:22.680 Mais avec la recherche vectorielle, vous pouvez taper à car mon ordinateur n'arrête pas de se figer. 00:03:22.780 --> 00:03:23.640 Bégaille trouve le bon document. 00:03:24.140 --> 00:03:25.800 C'est là toute la puissance de la compréhension du sens. 00:03:26.240 --> 00:03:27.820 Revenons à notre exemple de recherche défaillante. 00:03:28.380 --> 00:03:29.960 Mon ordinateur portable n'arrête pas de figer. 00:03:30.520 --> 00:03:34.500 Avec la recherche vectorielle, le système peut renvoyer l'article sur les blocages systèmes durant les réunions Teams, 00:03:34.620 --> 00:03:36.780 même si aucun de ces mots n'apparaît dans la requête. 00:03:37.920 --> 00:03:38.580 Pourquoi ? 00:03:38.580 --> 00:03:42.200 Parce que le sens de cache système égneux est très proche de coordinateurs qui se figent au cas dans l'espace vectoriel. 00:03:43.220 --> 00:03:45.400 Les concepts vivent près les uns des autres, sur cette carte. 00:03:45.940 --> 00:03:48.480 Le système ne se soucie pas des mots exacts, il se soucie de ce que vous voulez dire. 00:03:49.280 --> 00:03:50.040 C'est là toute la percée. 00:03:50.540 --> 00:03:52.880 Les ordinateurs commencent à comprendre l'intention, pas seulement l'orthographe. 00:03:53.260 --> 00:03:55.540 Ils trouvent des réponses qu'une recherche par mots-clés ignorerait totalement. 00:03:56.200 --> 00:03:57.640 Mais la recherche vectorielle a aussi une faiblesse. 00:03:57.700 --> 00:04:00.380 Elle peut manquer des correspondances exactes qui sont absolument critiques. 00:04:01.440 --> 00:04:06.400 Si un technicien recherche un code d'erreur spécifique comme l'erreur XQ1-670-570-570, 00:04:06.840 --> 00:04:11.320 une recherche vectorielle pourrait privilégier des documents sur les erreurs de disque ou la corruption du système de fichiers, 00:04:11.900 --> 00:04:14.080 plutôt que le document exact analysant ce code précis. 00:04:14.760 --> 00:04:16.340 Elle sacrifie la précision au profit de la compréhence. 00:04:16.620 --> 00:04:17.460 Nous avons donc deux méthodes. 00:04:17.840 --> 00:04:19.260 La recherche par mots-clés est excellente pour la précision. 00:04:19.600 --> 00:04:22.280 Elle identifie parfaitement les termes exacts, les identifiants de produits et les numéros de contrat. 00:04:22.680 --> 00:04:24.080 La recherche vectorielle est idéale pour le sens. 00:04:24.160 --> 00:04:26.760 Elle trouve la bonne réponse même lorsque vous n'utilisez pas les bons mots. 00:04:27.300 --> 00:04:28.220 Chacune a ses angles morts. 00:04:28.220 --> 00:04:29.980 Cela soulève une question évidente. 00:04:30.480 --> 00:04:33.760 Et si vous pouviez combiner les deux approches pour obtenir le meilleur des deux mondes ? 00:04:33.760 --> 00:04:34.480 La percée hybride. 00:04:34.920 --> 00:04:36.700 La recherche hybride offre le meilleur des deux mondes. 00:04:37.000 --> 00:04:39.560 Elle exécute simultanément la recherche par mots-clés et vectoriels, 00:04:39.740 --> 00:04:41.860 puis combine les résultats en une seule liste classée. 00:04:42.380 --> 00:04:43.900 Au lieu de choisir une approche plutôt qu'une autre, 00:04:44.000 --> 00:04:47.020 le système utilise une méthode appelée fusion de rang réciproque ou RRF. 00:04:47.440 --> 00:04:48.280 Voici comment cela fonctionne. 00:04:48.500 --> 00:04:52.680 Le RRF examine le classement de chaque document dans les résultats par mots-clés et dans les résultats vectoriels. 00:04:53.240 --> 00:04:54.240 Ensuite, il attribue un score comme. 00:04:54.640 --> 00:04:56.620 Si un document est bien classé dans les deux, il reçoit un boost. 00:04:56.980 --> 00:04:59.000 C'est comme prendre deux avis d'experts et en faire la moyenne. 00:04:59.460 --> 00:05:02.080 La réponse finale est plus fiable que celle obtenue par l'une ou l'autre méthode seule. 00:05:02.540 --> 00:05:06.160 C'est important car la recherche par mots-clés et la recherche vectorielle ont des forces fondamentalement différentes. 00:05:06.700 --> 00:05:08.340 La recherche par mots-clés excelle dans les correspondants exemples. 00:05:08.700 --> 00:05:10.540 C'est votre outil privilégié pour les identifiants de produits, 00:05:10.640 --> 00:05:12.220 numéros de contrat, non spécifiques, code d'erreur. 00:05:12.700 --> 00:05:13.620 Elle est précise et prévisible. 00:05:14.440 --> 00:05:16.680 La recherche vectorielle excelle dans la similarité sémantique, 00:05:16.920 --> 00:05:20.440 trouvant des documents qui partagent le sens de votre requête, même sans les mots exacts. 00:05:21.200 --> 00:05:22.900 Ensemble, elles couvrent mutuellement leurs angles morts. 00:05:23.340 --> 00:05:26.440 Le système capture à la fois les correspondances exactes et conceptuelles en une seule requête. 00:05:26.780 --> 00:05:27.840 C'est l'accurité de la vérité à pulsant. 00:05:28.000 --> 00:05:29.140 Et ce n'est pas seulement théorique. 00:05:30.060 --> 00:05:35.240 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. 00:05:35.780 --> 00:05:39.500 C'est environ 15 à 20 points de pourcentage de plus que ce que vous obtenez avec la recherche vectorielle seule. 00:05:39.940 --> 00:05:42.840 La différence est significative et se reflète dans les résultats commerciaux réels. 00:05:42.840 --> 00:05:44.600 Prenons la plateforme de comptabilité Xero. 00:05:45.240 --> 00:05:49.100 Ils ont implémenté la recherche hybride dans leur expérience de support client via une entreprise appelée Coveo. 00:05:49.840 --> 00:05:53.140 En trois mois, ils ont constaté une augmentation de 20% de la résolution en libre-service. 00:05:53.780 --> 00:05:56.940 Les clients ont trouvé les réponses par eux-mêmes plus souvent, sans avoir besoin de contacter le support. 00:05:57.820 --> 00:06:02.600 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. 00:06:03.400 --> 00:06:06.920 Cela signifie que les agents ont trouvé les bonnes informations plus vite, les clients ont obtenu des réponses plus rapidement. 00:06:07.320 --> 00:06:08.680 Et les coûts de support ont baissé. 00:06:08.780 --> 00:06:12.180 Ce n'est pas juste une fonctionnalité agréable, c'est un impact mesurable sur les résultats financiers. 00:06:12.180 --> 00:06:13.320 C'est là le point essentiel. 00:06:13.660 --> 00:06:17.400 La recherche hybride n'est pas juste une amélioration ou une case à cocher, elle est nettement plus performante. 00:06:17.980 --> 00:06:20.580 Elle offre une meilleure précision, un meilleur rappel et de meilleurs résultats pour l'utilisateur. 00:06:21.620 --> 00:06:25.180 C'est cette combinaison d'approche qui rend Azure et iSearch puissants pour les applications modernes. 00:06:26.540 --> 00:06:29.880 Cette combinaison permet une autre technologie qui attire beaucoup d'attention en ce moment. 00:06:29.880 --> 00:06:32.660 Il s'agit du RAG, la connexion RAG. 00:06:32.900 --> 00:06:35.800 Parlons donc du RAG ou génération augmentée par récupération. 00:06:35.940 --> 00:06:37.060 Génération augmentée par récupération. 00:06:37.180 --> 00:06:38.120 C'est un terme complexe. 00:06:38.240 --> 00:06:39.380 Mais voici la définition la plus simple. 00:06:39.600 --> 00:06:42.820 C'est un cadre qui donne aux assistants IA accès à des informations sur lesquelles ils n'ont pas été entraînés. 00:06:42.820 --> 00:06:47.640 Les modèles de langage comme GPT connaissent bien l'histoire, la science et le code. 00:06:48.120 --> 00:06:54.560 Mais ils ignorent vos documents internes, vos politiques, l'historique, client ou vos procédures spécifiques, euh spécifiques. 00:06:55.400 --> 00:06:59.020 La plupart des gens pensent qu'il suffit d'injecter toutes ces connaissances internes dans le modèle lui-même. 00:06:59.500 --> 00:07:00.120 Cela ne fonctionne pas. 00:07:00.380 --> 00:07:01.500 C'est coûteux et difficile à mettre à jour. 00:07:01.940 --> 00:07:03.240 Le RAG résout ce problème de manière ingénieuse. 00:07:03.440 --> 00:07:08.800 Au lieu de tout entasser dans le modèle, vous récupérez les informations pertinentes dans une base de connaissances au moment de la question. 00:07:09.840 --> 00:07:12.380 Vous prenez la requête de l'utilisateur, cherchez dans vos données internes, 00:07:12.380 --> 00:07:17.260 trouvez les documents pertinents et fournissez ce contexte au LLM avec la question originale, avec la question originale. 00:07:17.600 --> 00:07:19.620 Le LLM génère alors une réponse basée sur vos données. 00:07:20.200 --> 00:07:20.880 C'est là toute la magie. 00:07:21.300 --> 00:07:24.180 Azure AI Search constitue la moitié récupération de cette équation. 00:07:24.900 --> 00:07:28.060 C'est le moteur qui trouve les bons documents pour que le LLM puisse répondre avec précision. 00:07:29.060 --> 00:07:32.600 Sans une couche de récupération solide, un système RAG ne vaut que ce que valent les documents qu'il trouve. 00:07:33.360 --> 00:07:37.320 C'est là que la recherche hybride brille, car les requêtes RAG sont souvent des questions au langage naturel, 00:07:37.860 --> 00:07:40.780 avec des réponses situées dans des documents vocabulaires très différents. 00:07:40.780 --> 00:07:43.340 Laissez-moi vous donner quelques chiffres qui montrent vraiment la différence. 00:07:44.220 --> 00:07:51.960 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. 00:07:53.160 --> 00:07:55.760 La précision de l'exécution des tâches a été multipliée par 21. 00:07:56.540 --> 00:07:59.420 Cela signifie que les utilisateurs réussissaient bien mieux leurs tâches complexes, 00:07:59.760 --> 00:08:02.300 avec un système RAG utilisant la recherche hybride. 00:08:02.300 --> 00:08:07.840 Dans l'ensemble, des systèmes RAG bien implémentés peuvent augmenter la précision de recherche de 85% en moyenne, 00:08:08.040 --> 00:08:10.680 certains domaines spécialisés atteignant 89% sans. 00:08:11.160 --> 00:08:14.840 Comme le LLM génère des réponses basées sur le contexte récupéré plutôt que sur des suppositions, 00:08:14.940 --> 00:08:18.800 les systèmes RAG ont montré une réduction d'environ 40% des hallucinations. 00:08:19.580 --> 00:08:22.720 C'est pourquoi Azure Eye Search est essentiel pour créer des agents IA et des copilotes. 00:08:23.480 --> 00:08:28.000 Il fournit la récupération de faits vérifiables qui rend les LLM dignes de confiance dans un contexte professionnel. 00:08:28.000 --> 00:08:31.940 Si vous créez un assistant qui doit répondre avec précision aux questions et citer ses sources, 00:08:32.020 --> 00:08:35.300 la recherche hybride associée au RAG est l'architecture que vous privilégierez. 00:08:35.700 --> 00:08:37.940 La recherche hybride et le RAG forment donc une combinaison puissante. 00:08:38.820 --> 00:08:41.000 Mais qu'est-ce que cela donne en pratique ? 00:08:41.600 --> 00:08:42.980 Quel est l'impact réel ? 00:08:42.980 --> 00:08:44.940 Où cela se manifeste-t-il concrètement ? 00:08:44.940 --> 00:08:46.020 Laissez-moi vous donner quelques exemples. 00:08:46.300 --> 00:08:48.120 Le commerce en ligne est probablement l'exemple le plus courant. 00:08:48.700 --> 00:08:50.960 Un clientable chaussure de course confortable qui est dans la barre de recherche. 00:08:51.540 --> 00:08:53.740 La fiche produit indique peut-être qu'à baskets à Morty Higri, 00:08:54.060 --> 00:08:56.020 car l'équipe marketing a choisi des termes différents. 00:08:56.020 --> 00:08:58.840 Une recherche par mots-clés passerait totalement à côté du résultat. 00:08:59.620 --> 00:09:03.160 Avec Azure et iSearch, le système comprend que cas confortables et gun et amorti gun 00:09:03.160 --> 00:09:05.020 ont pratiquement le même sens dans ce contexte. 00:09:05.480 --> 00:09:07.800 Il affiche le bon produit même lorsque les termes ne correspondent pas. 00:09:08.620 --> 00:09:10.180 Résultat, le client trouve ce qu'il cherche. 00:09:10.360 --> 00:09:13.640 Au lieu de quitter le site, frustré, les portails de support client fonctionnent de la même manière. 00:09:14.300 --> 00:09:15.620 Imaginez qu'un client type ? 00:09:15.620 --> 00:09:16.940 Comment annuler mon abonnement ? 00:09:16.940 --> 00:09:20.020 La politique concernée pourrait être intitulée « Résiliation de contrat de service gun ». 00:09:20.020 --> 00:09:24.480 La recherche hybride trouve ce document précis grâce à la correspondance des mots-clés juridiques, 00:09:24.580 --> 00:09:29.660 mais elle affiche aussi une FAQ connexe sur la fin anticipée d'un forfait grâce à la similarité sémantique. 00:09:30.180 --> 00:09:30.860 Grâce à la sémantique. 00:09:31.920 --> 00:09:35.240 Le client obtient une réponse complète au lieu de voir fouiller dans cinq articles différents. 00:09:36.280 --> 00:09:38.000 La récupération de documents juridiques en est un autre exemple. 00:09:38.480 --> 00:09:42.160 Les avocats doivent rechercher des contrats par numéro de clause et référence de section exacte. 00:09:42.160 --> 00:09:47.940 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. 00:09:48.880 --> 00:09:50.640 La recherche hybride gère les deux en une seule requête, 00:09:50.920 --> 00:09:55.580 et dans les secteurs réglementés, pouvoir retracer précisément pourquoi un résultat est apparu et crucial pour la conformité. 00:09:56.140 --> 00:09:57.580 Les bases de connaissances internes en profitent également. 00:09:59.000 --> 00:10:02.460 Un employé cherchant la politique de congé obtient le document officiel des RH, 00:10:02.860 --> 00:10:05.660 mais aussi un email lié de l'équipe juridique sur le report des jours, 00:10:06.200 --> 00:10:08.060 et une mise à jour récente sur l'intranet. 00:10:09.160 --> 00:10:11.600 La recherche comprend que tous ces éléments sont liés à la même question. 00:10:12.160 --> 00:10:15.180 L'industrie manufacturière est un exemple moins évident, mais très puissant. 00:10:15.760 --> 00:10:18.820 Un technicien tape car réparation surchauffe moteur que que dans l'interface de recherche. 00:10:19.820 --> 00:10:22.180 Le système renvoie la section de dépannage du manuel d'équipement, 00:10:22.320 --> 00:10:24.720 ainsi qu'un schéma numérisé montrant les pièces concernées. 00:10:25.720 --> 00:10:29.900 Même si le schéma est une image, Azure et iSearch peuvent extraire et indexer son contenu textuel 00:10:29.900 --> 00:10:31.280 pour qu'il apparaisse dans les résultats. 00:10:31.940 --> 00:10:34.640 Le point commun entre tous ces exemples est le recours aux données non structurées. 00:10:35.360 --> 00:10:38.140 PDF, document Word, ticket de support par email, image numérisée. 00:10:38.340 --> 00:10:42.000 Les requêtes de base de données et la recherche par mots-clés classiques n'ont jamais été conçues pour ce type de données. 00:10:42.700 --> 00:10:44.820 Azure et iSearch est conçu spécifiquement pour ce monde, 00:10:45.040 --> 00:10:48.520 et plus on l'étudie, plus il devient clair que la recherche hybride n'est pas qu'une simple option. 00:10:49.340 --> 00:10:51.980 C'est un élément fondamental dans la création des applications modernes. 00:10:52.740 --> 00:10:54.220 Comment les pièces s'assemblent ? 00:10:54.220 --> 00:10:56.620 Alors comment tout cela fonctionne-t-il vraiment en coulisses ? 00:10:56.620 --> 00:10:58.440 Azure et iSearch repose sur trois piliers. 00:10:58.700 --> 00:11:01.240 La source de données, l'indexeur et l'index de recherche. 00:11:02.060 --> 00:11:03.960 La source de données est l'endroit où résident vos informations. 00:11:04.420 --> 00:11:09.120 Il peut s'agir d'un stockage blob, d'une base de données Azure SQL, de Cosmos DB, ou même de SharePoint. 00:11:09.680 --> 00:11:11.420 C'est la matière première qui doit devenir interrogeable. 00:11:11.980 --> 00:11:14.200 Voyez cela comme une pile de documents en attente d'être organisé. 00:11:15.180 --> 00:11:18.700 L'indexeur et le pipeline qui lit les données de cette source extraient le contenu, 00:11:18.880 --> 00:11:21.920 appliquent l'enrichissement IA, configuré et construit l'index de recherche. 00:11:23.400 --> 00:11:24.560 Voici une façon simple de l'imaginer. 00:11:24.560 --> 00:11:28.080 Imaginez un bibliothécaire entrant dans un entrepôt rempli de livres. 00:11:28.600 --> 00:11:30.460 Il lit chaque ouvrage, prend des notes détaillées, 00:11:30.740 --> 00:11:32.000 identifie les thèmes et entités clés, 00:11:32.520 --> 00:11:34.260 et organise le tout dans un catalogue sur fiche. 00:11:34.740 --> 00:11:37.100 Cette lecture et cette prise de notes constituent le processus d'indexation. 00:11:37.360 --> 00:11:38.720 L'index de recherche est ce catalogue sur fiche. 00:11:39.220 --> 00:11:40.180 Ce ne sont pas les livres eux-mêmes. 00:11:40.920 --> 00:11:43.440 C'est le système structuré et optimisé qui vous permet de trouver exactement 00:11:43.440 --> 00:11:45.160 ce dont vous avez besoin en quelques millisecondes. 00:11:45.780 --> 00:11:49.120 Lorsque vous tapez une requête, le système ne revient pas aux documents originaux pour les analyser. 00:11:50.160 --> 00:11:51.520 Au lieu de cela, il consulte l'index, 00:11:51.640 --> 00:11:53.600 qui sait déjà exactement où tout est situé. 00:11:54.560 --> 00:11:56.640 Cette préorganisation est appelée index inversé. 00:11:57.260 --> 00:11:59.400 Au lieu de stocker des documents avec la liste des mots qu'ils contiennent, 00:11:59.560 --> 00:12:01.540 vous stockez des mots avec la liste des documents où ils apparaissent. 00:12:02.060 --> 00:12:04.620 Cela signifie que lorsque vous cherchez un terme, vous accédez directement au bon endroit. 00:12:05.100 --> 00:12:06.160 Pas besoin de feuilleter chaque page. 00:12:06.780 --> 00:12:08.340 Le résultat est un gain de vitesse considérable. 00:12:08.700 --> 00:12:11.000 Au lieu de devoir analyser chaque document, ce qui prend plus de temps. 00:12:11.240 --> 00:12:12.700 À mesure que vos données augmentent, vous allez droit. 00:12:12.940 --> 00:12:13.860 Au but, non. 00:12:14.800 --> 00:12:17.660 Avec des millions de documents, c'est la différence entre une recherche qui prend des secondes 00:12:17.660 --> 00:12:19.960 et une autre qui prend des millisecondes. 00:12:20.580 --> 00:12:22.240 Vous comprenez maintenant ce qu'est Azure Eye Search, 00:12:22.240 --> 00:12:24.520 comment ces composants s'articulent et pourquoi la recherche hybride 00:12:24.520 --> 00:12:25.080 change la donne. 00:12:26.160 --> 00:12:28.320 Concluons avec quelques exemples concrets de ce que vous pouvez en faire. 00:12:29.120 --> 00:12:30.280 Premièrement, comprenez vos données. 00:12:30.760 --> 00:12:33.140 Si elles sont déjà structurées, comme des tables produits SQL 00:12:33.140 --> 00:12:35.100 ou des dossiers clients, tout ce qui présente des lignes. 00:12:35.240 --> 00:12:38.240 Et colonne propre, vous pouvez les interroger directement en SQL. 00:12:39.440 --> 00:12:41.480 Azure Eye Search est conçu pour le texte non structuré. 00:12:41.900 --> 00:12:43.980 C'est-à-dire les PDF, e-mail, documents Word, tickets de support. 00:12:44.820 --> 00:12:46.180 C'est là qu'il apporte une réelle valeur ajoutée. 00:12:46.820 --> 00:12:49.740 Deuxièmement, si vous créez une application RAG ou un assistant IA, 00:12:50.140 --> 00:12:53.680 Azure Eye Search, avec sa recherche hybride, est le moteur de récupération qu'il vous faut. 00:12:54.180 --> 00:12:56.420 Il vous offre des correspondances par mots-clés exacts pour la précision 00:12:56.420 --> 00:12:58.060 et une compréhension sémantique pour le contexte. 00:12:58.500 --> 00:13:01.040 Cette combinaison produit des réponses plus fiables et faciles à citer 00:13:01.040 --> 00:13:02.980 que chaque approche séparément à… 00:13:02.980 --> 00:13:05.340 Troisièmement, ne compliquez pas inutilement la configuration. 00:13:05.840 --> 00:13:07.580 Le portail Azure dispose d'un assistant d'importation. 00:13:07.900 --> 00:13:10.160 Connectez votre stockage blob, configurez quelques paramètres 00:13:10.160 --> 00:13:11.820 et laissez l'indexeur créer votre premier index. 00:13:12.160 --> 00:13:14.180 Vous pouvez effectuer votre première recherche en main du… 00:13:14.180 --> 00:13:15.800 Voilà donc Azure Eye Search, expliquez simplement. 00:13:16.280 --> 00:13:18.600 Il transforme des informations désordonnées et non structurées 00:13:18.600 --> 00:13:20.740 en connaissances interrogeables et prêtes pour l'IA. 00:13:21.340 --> 00:13:22.100 Merci de m'avoir suivi. 00:13:22.520 --> 00:13:24.060 Abonnez-vous et je vous retrouve dans le prochain épisode.