WEBVTT

00:00:00.000 --> 00:00:04.460
L'industrie nous a vendu un mythe, et nous ont dit que les intégrations étaient la solution miracle pour l'intelligence d'entreprise.

00:00:05.100 --> 00:00:08.220
Vous avez créé la base de données vectorielle, vous avez ingéré les documents, vous avez dépensé le budget,

00:00:08.320 --> 00:00:10.200
pourtant les hallucinations n'ont pas cessé.

00:00:10.880 --> 00:00:14.740
En réalité, la similarité mathématique n'est pas la même chose que la pertinence commerciale.

00:00:15.020 --> 00:00:16.300
Nous sommes tombés dans le piège du top cas.

00:00:16.740 --> 00:00:20.320
C'est le moment où votre copilote récupère le point de données le plus similaire dans l'espace à haute dimension,

00:00:20.520 --> 00:00:24.260
mais ces données se trouvent être fausses à 100% pour la tâche spécifique à accomplir, car en 2026,

00:00:24.860 --> 00:00:26.960
la proximité est un substitut bon marché de la vérité.

00:00:26.960 --> 00:00:32.220
Si votre projet de chiffon est actuellement au point mort en phase pilote, ce n'est pas parce que l'IA est stupide, est stupide.

00:00:32.680 --> 00:00:34.820
C'est parce que votre stratégie de récupération est construite sur une illusion.

00:00:35.420 --> 00:00:37.160
C'est l'échec structurel des modèles vectoriels purs.

00:00:38.340 --> 00:00:42.000
La recherche vectorielle est une couche de commodité dans l'architecture d'un système d'IA moderne.

00:00:42.740 --> 00:00:46.200
C'est le sous-sol de la pile, pas le pantos, mais nous l'avons traité, comme le cerveau.

00:00:46.920 --> 00:00:50.820
Le défaut fondamental des représentations vectorielles continuent à haute dimension et qu'elles sont floues par conception.

00:00:51.560 --> 00:00:53.100
Elles représentent des concepts sous forme de coordonnées.

00:00:53.660 --> 00:00:56.200
Cela fonctionne parfaitement lorsque vous recherchez des ambiances ou des sujets généraux.

00:00:56.200 --> 00:00:58.060
Mais le travail ne se fait pas au pays des ambiances.

00:00:58.620 --> 00:00:59.800
Le travail se fait au pays des détails.

00:01:00.180 --> 00:01:01.800
Et c'est là que le modèle vectoriel pur se brise.

00:01:02.140 --> 00:01:03.580
Les vecteurs ont du mal à utiliser des termes exacts.

00:01:03.840 --> 00:01:08.160
Pensez au code produit, aux références, à la terminologie juridique, au nom de code de projet interne.

00:01:08.940 --> 00:01:15.040
Pour un modèle vectoriel, le projet Phoenix et le projet Firebird peuvent sembler mathématiquement identiques car ils partagent un cluster sémantique.

00:01:15.440 --> 00:01:18.200
Mais pour votre équipe financière, ils représentent deux budgets totalement différents.

00:01:19.100 --> 00:01:23.480
Lorsque vous vous fiez uniquement aux représentations vectorielles continuent denses, vous demandez essentiellement à l'IA de deviner en fonction du voisinage.

00:01:23.480 --> 00:01:26.780
Le résultat, un taux d'erreur de 27% des résultats commerciaux.

00:01:27.200 --> 00:01:28.260
Ce n'est pas seulement une mesure technique.

00:01:28.820 --> 00:01:32.820
Ce taux d'erreur se traduit par 1,8 heures de temps de travail perdu par les employés chaque semaine.

00:01:33.960 --> 00:01:36.660
Les gens n'utilisent pas Copilot pour travailler plus vite ?

00:01:36.660 --> 00:01:41.380
Ils l'utilisent pour générer des brouillons qu'ils doivent ensuite vérifier pendant deux heures car l'ensemble de récupération était bruyant.

00:01:41.380 --> 00:01:44.500
Nous sommes confrontés à une crise de précision et ce n'est pas un problème de LLM.

00:01:44.920 --> 00:01:49.300
Vous ne pouvez pas résoudre ce problème en passant de GPT-4 à GPT-5 ou en optant pour une fenêtre contextuelle plus grande.

00:01:49.840 --> 00:01:51.140
C'est un problème d'ingénierie et de récupération.

00:01:51.580 --> 00:01:52.520
Nous avons fait une hypothèse importante.

00:01:52.840 --> 00:01:54.480
Nous avons supposé que les mathématiques géraient le contexte.

00:01:54.740 --> 00:01:58.680
Nous pensions que si nous transformions simplement chaque document en une liste de nombres, les relations émergeraient.

00:01:58.760 --> 00:02:00.280
Mais le contexte est structurel.

00:02:00.820 --> 00:02:01.900
Il n'est pas seulement probabiliste.

00:02:01.900 --> 00:02:05.940
Dans un environnement d'entreprise, la signification d'un document ne réside pas uniquement dans les mots,

00:02:06.240 --> 00:02:11.000
mais également dans les métadonnées, les autorisations et les versions spécifiques qu'un modèle vectoriel ignore complètement.

00:02:11.700 --> 00:02:13.560
Lorsque vous recherchez la dernière politique de voyage,

00:02:13.760 --> 00:02:16.740
une recherche vectorielle trouve la politique qui ressemble le plus à une politique de voyage.

00:02:17.260 --> 00:02:19.400
Elle ne trouve pas nécessairement celle qui a été approuvée hier.

00:02:20.140 --> 00:02:21.180
Elle trouve la plus similaire.

00:02:22.060 --> 00:02:25.520
C'est la version la plus similaire à la version 2022 parce qu'elle contient un texte plus descriptif.

00:02:25.780 --> 00:02:26.760
C'est ce que votre LLM obtient.

00:02:27.040 --> 00:02:29.320
Ensuite, il y indique à votre employé qu'il peut réserver en classe affaires,

00:02:29.620 --> 00:02:31.680
même si la nouvelle politique stipule uniquement la classe économique.

00:02:32.040 --> 00:02:33.940
C'est une hallucination causée par une mauvaise base de données.

00:02:34.640 --> 00:02:35.400
Le modèle n'a pas menti.

00:02:35.480 --> 00:02:36.960
Il a juste résumé la mauvaise pile de chiffres.

00:02:37.600 --> 00:02:40.020
C'est ce qui arrive lorsque vous utilisez un modèle conçu pour la découverte

00:02:40.020 --> 00:02:41.440
et que vous essayez de l'utiliser pour la précision.

00:02:42.000 --> 00:02:44.500
La recherche vectorielle est excellente pour trouver l'aiguille dans la botte de foin

00:02:44.500 --> 00:02:46.120
si vous ne vous souciez pas de l'aiguille que vous obtenez.

00:02:46.420 --> 00:02:48.260
Mais dans l'entreprise, il n'y a qu'une seule aiguille correcte.

00:02:48.820 --> 00:02:49.780
Les neuf autres sont des passifs.

00:02:50.380 --> 00:02:52.760
Nous avons atteint la limite de ce que la similarité pure peut faire pour nous.

00:02:53.240 --> 00:02:56.780
Si nous voulons atteindre le seuil de précision de 0,9% requis par les secteurs réglementés,

00:02:56.780 --> 00:02:59.540
nous devons cesser de traiter la récupération comme un problème mathématique

00:02:59.540 --> 00:03:01.260
et commencer à la traiter comme un problème éditorial.

00:03:02.300 --> 00:03:05.000
Nous devons dépasser l'idée selon laquelle une proximité suffisante

00:03:05.000 --> 00:03:07.700
est acceptable pour un système censé guider la prise de décision des dirigeants.

00:03:08.400 --> 00:03:11.040
Parce qu'à l'heure actuelle, les cas premiers résultats que vous fournissez à votre copilote

00:03:11.040 --> 00:03:13.180
ne sont qu'un ensemble de bruits mathématiques liés.

00:03:14.080 --> 00:03:16.860
Vous demandez à un moteur de raisonnement de construire une maison sur des fondations de sable.

00:03:17.680 --> 00:03:18.880
Et puis on se demande pourquoi le toit fuit.

00:03:18.880 --> 00:03:23.940
Le passage de 2025 à 2026 est la prise de conscience que les plongements ne sont que le point de départ.

00:03:24.740 --> 00:03:25.640
Sans la pile des peut-être.

00:03:26.220 --> 00:03:28.560
Pour arriver à la pile des oui, nous avons besoin d'un autre type de logique.

00:03:28.920 --> 00:03:31.600
Nous devons réintroduire les choses mêmes que nous pensions que les plongements remplaceraient.

00:03:32.140 --> 00:03:33.980
Nous avons besoin de structure, nous avons besoin d'ancrage lexicaux.

00:03:34.800 --> 00:03:37.120
Surtout nous avons besoin d'un superviseur qui sache faire la différence

00:03:37.120 --> 00:03:39.640
entre une réponse similaire et une réponse correcte.

00:03:39.720 --> 00:03:42.020
Sans cela, votre projet de chiffon n'est pas un outil de renseignement.

00:03:42.260 --> 00:03:44.840
C'est juste un moyen très coûteux et très rapide de se tromper.

00:03:44.840 --> 00:03:49.720
Et c'est là que le modèle se brise, car la similarité est un substitut bon marché de la vérité.

00:03:50.560 --> 00:03:52.380
Le quartier est un endroit dangereux où vivra.

00:03:52.880 --> 00:03:54.940
Nous nous sommes appuyés sur ces clusters denses pendant trop longtemps,

00:03:55.180 --> 00:03:57.160
en partant du principe que si deux éléments sont proches l'un de l'autre,

00:03:57.260 --> 00:03:59.340
dans un espace vectoriel, ils doivent être liés d'un point de vue commercial.

00:03:59.500 --> 00:03:59.980
Mais ce n'est pas le cas.

00:04:00.860 --> 00:04:03.040
La similarité n'est que le reflet des schémas d'utilisation des mots.

00:04:03.460 --> 00:04:05.020
C'est un substitut bon marché de la vérité.

00:04:05.260 --> 00:04:08.360
Et en 2026, le modèle s'effondre parce que nous avons cessé de rechercher des éléments liés

00:04:08.360 --> 00:04:10.080
et avons commencé à avoir besoin d'éléments vérifiés.

00:04:10.080 --> 00:04:12.880
Lorsque vous passez d'un environnement pilote à un environnement de production,

00:04:12.980 --> 00:04:13.400
les enjeux jouent.

00:04:13.820 --> 00:04:14.760
Le substitut ne suffit plus.

00:04:15.340 --> 00:04:18.320
Vous avez besoin de quelque chose qui ancre l'IA dans le langage réel de votre organisation.

00:04:19.500 --> 00:04:21.500
Vous avez besoin de la précision que nous avons accidentellement perdue

00:04:21.500 --> 00:04:23.060
lorsque nous avons tout misé sur les intégrations.

00:04:23.920 --> 00:04:26.840
Normes hybrides, pourquoi BM25 est toujours importante ?

00:04:26.840 --> 00:04:30.280
Si vous regardez la base de référence de production pour 2026, le paysage a changé.

00:04:30.640 --> 00:04:32.600
Nous ne parlons plus de magasins vectoriels expérimentaux.

00:04:32.940 --> 00:04:34.180
Nous parlons de la norme hybride.

00:04:34.700 --> 00:04:35.320
Les données sont claires.

00:04:35.320 --> 00:04:40.160
72% des systèmes de rack d'entreprises performants se sont éloignés de la récupération vectorielle pure.

00:04:40.780 --> 00:04:43.760
Ils ont mis en place un système à double chemin qui combine la signification des vecteurs

00:04:43.760 --> 00:04:45.480
avec la précision de la correspondance des mots-clés.

00:04:46.000 --> 00:04:48.380
Plus précisément, ils ont réintroduit l'algorithme BM25.

00:04:48.920 --> 00:04:51.040
Pour ceux qui n'ont pas passé 20 ans dans l'ingénierie de la recherche,

00:04:51.180 --> 00:04:53.760
BM25 est la méthode classique de récupération parcimonieuse.

00:04:54.200 --> 00:04:56.020
C'est la logique qui recherche l'échevauchement exact de mots.

00:04:56.300 --> 00:04:58.760
C'est l'ancienne méthode que nous pensions que les intégrations tueraient.

00:04:59.140 --> 00:05:02.040
Mais il s'avère que l'ancienne méthode est la seule qui permet à la nouvelle de rester honnête.

00:05:02.040 --> 00:05:04.300
Lorsque vous combinez ces deux méthodes, quelque chose d'intéressant se produit.

00:05:04.600 --> 00:05:07.080
Vous obtenez un gain de mémorisation de votre ensemble de données.

00:05:07.840 --> 00:05:10.760
C'est 17% de la différence entre un employé qui trouve la réponse en 10 secondes

00:05:10.760 --> 00:05:13.020
ou qui abandonne après 3 tentatives infructueuses.

00:05:14.200 --> 00:05:16.500
Pensez à ce qui se passe lorsque vous cessez d'ignorer les mots spécifiques

00:05:16.500 --> 00:05:17.880
que vos utilisateurs saisissent réellement.

00:05:18.920 --> 00:05:22.480
Dans un système vectoriel pur, si un utilisateur tapeforme d'IK 2025,

00:05:22.920 --> 00:05:26.100
le modèle peut donner la priorité à un article général sur les rapports financiers

00:05:26.100 --> 00:05:27.140
car l'ambiance est similaire.

00:05:27.560 --> 00:05:28.960
Mais avec BM25 dans le mélange,

00:05:28.960 --> 00:05:31.720
le système voit cette chaîne spécifique d'IK et 2025.

00:05:32.040 --> 00:05:35.360
Il reconnaît qu'il ne s'agit pas seulement de concepts, il reconcepte.

00:05:35.560 --> 00:05:36.760
Ce sont des angles lexicales.

00:05:37.040 --> 00:05:38.900
La récupération hybride permet au système de dire

00:05:38.900 --> 00:05:40.760
« Je sais que vous vous intéressez aux rapports financiers,

00:05:40.880 --> 00:05:43.960
mais je vois aussi que vous avez spécifiquement demandé ce document précis. »

00:05:43.960 --> 00:05:45.620
Cela résout le problème des requêtes hors domaine.

00:05:46.500 --> 00:05:49.120
Il s'agit du plus grand obstacle pour tout modèle d'intégration pré-entraîné.

00:05:49.540 --> 00:05:52.580
Votre modèle vectoriel a probablement été entraîné sur un corps plus général de texte Internet.

00:05:53.160 --> 00:05:53.960
Il sait ce qu'est un contrat,

00:05:54.440 --> 00:05:56.840
mais il ne connaît pas le jargon spécifique de votre secteur.

00:05:57.240 --> 00:06:00.860
Il ne comprend pas les acronymes propriétaires utilisés dans votre service d'ingénierie.

00:06:00.860 --> 00:06:04.780
Il n'a pas vu les abréviations internes que votre équipe logistique utilise pour décrire les retards d'expédition.

00:06:05.320 --> 00:06:07.420
Pour un modèle d'intégration général, ces mots sont du bruit.

00:06:07.840 --> 00:06:08.540
Ils sont hors domaine.

00:06:09.420 --> 00:06:11.520
Mais pour BM25, ces mots sont des signaux.

00:06:12.040 --> 00:06:14.600
En exécutant une recherche par mot-clé parallèlement à la recherche vectorielle,

00:06:14.700 --> 00:06:15.640
vous créez un filet de sécurité.

00:06:16.660 --> 00:06:20.640
Vous vous assurez que si un utilisateur tape un terme spécifique que le modèle d'intégration ne comprend pas,

00:06:20.820 --> 00:06:23.480
le système peut toujours trouver le document en se basant sur le texte littéral.

00:06:23.480 --> 00:06:26.640
C'est ainsi que vous atteignez le seuil de précision de 0,88.

00:06:27.400 --> 00:06:30.300
En 2025, nous étions satisfaits si l'IA avait globalement raison.

00:06:30.800 --> 00:06:33.700
En 2026, une précision de 80% est le strict minimum pour entrer.

00:06:34.100 --> 00:06:35.620
L'hybride est la première étape vers cet objectif.

00:06:35.880 --> 00:06:37.300
Il s'agit d'ancrer l'IA dans la réalité.

00:06:37.740 --> 00:06:39.280
Considérez-le comme un système de double vérification.

00:06:39.520 --> 00:06:40.780
Le chemin vectoriel gère l'intention.

00:06:41.160 --> 00:06:42.480
Qu'essaie-t-il de faire ?

00:06:42.480 --> 00:06:43.800
Le chemin par mot-clé gère l'effet.

00:06:44.940 --> 00:06:46.680
Qu'ont-ils réellement dit ?

00:06:46.680 --> 00:06:49.860
Lorsque les deux chemins sont d'accord sur un document, vous avez un candidat de confiance élevé.

00:06:50.380 --> 00:06:52.800
Lorsqu'ils ne sont pas d'accord, vous avez un signal indiquant que vous avez besoin de plus de traite.

00:06:53.180 --> 00:06:55.480
Mais même avec cette approche hybride, nous avons toujours un problème.

00:06:55.860 --> 00:06:56.900
Vous avez amélioré la pile des peut-être.

00:06:57.200 --> 00:06:59.740
Vous êtes passé de 78% de rappel à 81% de rappel.

00:07:00.300 --> 00:07:04.120
Trouvez davantage de bonnes choses, mais vous continuez à remettre au LLM une pile de candidats.

00:07:05.020 --> 00:07:08.460
Si vous avez déjà examiné un ensemble de recherches, vous savez que les dix premiers résultats sont souvent un fouillis.

00:07:09.020 --> 00:07:10.760
Vous pouvez avoir la réponse parfaite en quatrième position.

00:07:11.420 --> 00:07:15.780
Mais en première position, vous avez un document qui contient le mot-clé répété 20 fois.

00:07:15.780 --> 00:07:20.020
Vous avez un document mathématiquement similaire, mais qui n'a absolument rien à voir avec l'année en cours.

00:07:20.680 --> 00:07:22.300
La recherche hybride vous donne les pièces du puzzle.

00:07:22.820 --> 00:07:24.300
Elle ne reconstitue pas nécessairement le puzzle.

00:07:25.060 --> 00:07:29.120
Nous partons du principe que si nous donnions au LLM les cinq premiers résultats, il serait suffisamment intelligent pour choisir le bon.

00:07:29.560 --> 00:07:31.820
Mais les LLM sont sensibles aux documents distracteurs.

00:07:32.860 --> 00:07:35.420
Si le premier résultat est un document très long et très sûr qui est en fait erroné,

00:07:35.540 --> 00:07:41.340
le LLM donnera souvent la priorité à cette information par rapport aux documents corrects et plus courts en troisième position, paix à tête.

00:07:41.600 --> 00:07:43.320
C'est le phénomène de la perte au milieu.

00:07:43.320 --> 00:07:46.120
L'ordre des informations détermine la qualité de la réponse.

00:07:46.620 --> 00:07:49.560
Ainsi, bien que la recherche hybride soit la base de référence, n'est pas la réponse finale.

00:07:49.840 --> 00:07:50.760
C'est le système de filtrage.

00:07:51.340 --> 00:07:53.140
Il vous permet de passer d'un million de documents à 50.

00:07:53.720 --> 00:07:56.920
Mais 50 documents, c'est encore trop de bruit pour une décision commerciale à enjeu élevé.

00:07:57.580 --> 00:07:59.280
Vous ne faites toujours qu'examiner une pile de candidats.

00:07:59.840 --> 00:08:01.820
Vous avez fait bouger les choses, mais vous n'avez pas comblé l'écart.

00:08:02.280 --> 00:08:05.460
Pour atteindre la précision de 00,9 requise par les secteurs de la santé et de la finance,

00:08:05.560 --> 00:08:07.080
vous ne pouvez pas vous contenter de la récupération.

00:08:07.080 --> 00:08:10.900
Vous devez ajouter une couche de raisonnement avant même que les données n'atteignent le LLLM.

00:08:11.480 --> 00:08:13.960
Vous avez besoin d'un superviseur capable d'examiner ces 50 candidats

00:08:13.960 --> 00:08:16.980
et de les classer en fonction d'une logique réelle et pas seulement de la fréquence ou des coordonnées.

00:08:17.500 --> 00:08:20.640
Car pour l'instant, même avec la recherche hybride, votre copilote continue de deviner.

00:08:21.300 --> 00:08:23.320
Il fait juste une estimation beaucoup plus éclairée qu'auparavant.

00:08:23.800 --> 00:08:24.980
Nous avons résolu le problème de la recherche.

00:08:25.360 --> 00:08:26.820
Maintenant, nous devons résoudre le problème du classement.

00:08:27.280 --> 00:08:29.520
Cela nécessite une couche architecturale complètement différente.

00:08:30.300 --> 00:08:33.180
Même avec la recherche hybride, vous ne faites toujours qu'examiner une pile de candidats.

00:08:33.500 --> 00:08:34.360
Vous avez besoin d'un superviseur.

00:08:34.360 --> 00:08:38.080
Le problème avec le modèle hybride, c'est qu'il manque d'avis.

00:08:38.680 --> 00:08:41.060
Il génère une liste basée sur deux systèmes de notation différents

00:08:41.060 --> 00:08:42.760
qui ne parlent pas vraiment le même langage.

00:08:43.400 --> 00:08:45.220
Vous fusionnez les coordonnées d'un espace vectoriel

00:08:45.220 --> 00:08:46.940
avec les scores de fréquence d'un index de mots-clés.

00:08:47.820 --> 00:08:49.920
Le résultat est une liste ruminée des 50 meilleurs candidats

00:08:49.920 --> 00:08:52.740
qui est techniquement meilleure qu'avant, mais qui n'a toujours pas été vérifiée.

00:08:53.320 --> 00:08:56.340
C'est comme si une agence de recrutement vous envoyait 50 CV sans les lire réellement.

00:08:56.780 --> 00:08:58.440
Ils ont filtré les mots-clés et l'expérience générale,

00:08:58.500 --> 00:09:01.040
mais ils n'ont pas vérifié si la personne était réellement capable de faire le travail.

00:09:01.420 --> 00:09:04.020
Dans le pipeline RAG, le LLM est votre responsable du recrutement.

00:09:04.020 --> 00:09:06.920
Si vous remettez 50 CV à ce responsable, il va être dépassé à...

00:09:06.920 --> 00:09:08.480
Il jettera un coup d'œil aux trois premiers,

00:09:08.740 --> 00:09:11.160
se laissera distraire par un mensonge bien formaté et fera une mauvaise embauche.

00:09:11.560 --> 00:09:13.580
Pour résoudre ce problème, nous devons cesser de considérer la recherche

00:09:13.580 --> 00:09:14.520
comme un processus en une solité.

00:09:14.860 --> 00:09:17.360
Nous devons introduire une couche secondaire qui agit comme un gardien,

00:09:18.180 --> 00:09:19.800
car pour l'instant vous ne fournissez pas de réponse.

00:09:20.280 --> 00:09:21.340
Vous donnez un devoir à faire.

00:09:21.880 --> 00:09:23.320
Et votre IA n'est pas conçue pour faire des devoirs.

00:09:23.640 --> 00:09:24.440
Elle est conçue pour raisonner.

00:09:24.720 --> 00:09:27.380
Si vous voulez qu'il raisonne correctement, vous devez lui donner le bon point de départ.

00:09:27.900 --> 00:09:30.600
Vous avez besoin d'un superviseur capable d'examiner les 50 meilleurs candidats

00:09:30.600 --> 00:09:32.820
et de décider lequel détient réellement la vérité.

00:09:33.580 --> 00:09:35.500
Le classement sémantique, le filtre final de la vérité.

00:09:36.120 --> 00:09:38.020
C'est là que nous introduisons l'EuroRanker L2.

00:09:38.600 --> 00:09:41.900
Dans l'architecture 2026, il s'agit de la couche secondaire, non négociable.

00:09:42.540 --> 00:09:44.100
Elle agit comme l'éditeur de vos résultats de recherche.

00:09:44.760 --> 00:09:46.340
Pensez au flux de travail que nous avons créé jusqu'après.

00:09:47.280 --> 00:09:49.580
Tout d'abord, la recherche hybride récupère un large ensemble de candidats.

00:09:49.940 --> 00:09:52.520
Elle est rapide, efficace, elle analyse des millions de documents en quelques millisecondes,

00:09:52.580 --> 00:09:53.700
mais elle est également superficielle.

00:09:54.920 --> 00:09:56.000
L'EuroRanker L2 est l'inverse.

00:09:56.460 --> 00:09:57.760
Il n'examine pas des millions de documents.

00:09:57.760 --> 00:10:01.300
Il ne regarde que les 50 premiers, mais il les examine avec un niveau de profondeur

00:10:01.300 --> 00:10:03.300
que la couche de recherche initiale ne pourrait jamais atteindre.

00:10:04.060 --> 00:10:07.600
Plus précisément, dans l'écosystème Microsoft, nous parlons de modèles dérivés de Bing.

00:10:08.260 --> 00:10:09.740
Ce sont des transformateurs d'attention croisés.

00:10:10.720 --> 00:10:12.440
Contrairement à la recherche vectorielle initiale,

00:10:12.460 --> 00:10:14.860
qui compare une requête à une intégration de documents pré-calculés,

00:10:15.240 --> 00:10:17.960
l'EuroRanker examine la requête et le document en même temps.

00:10:18.660 --> 00:10:21.260
Il effectue une comparaison sémantique approfondie du texte réel.

00:10:21.700 --> 00:10:24.320
Il ne se contente plus d'examiner les coordonnées dans un espace à haute dimension.

00:10:24.320 --> 00:10:28.400
Il effectue un raisonnement approfondi pour comprendre si le document contient réellement la réponse

00:10:28.400 --> 00:10:29.700
à la question spécifique posée.

00:10:30.640 --> 00:10:33.560
C'est là que le score de ReRanker de la recherche d'annonce entrant en jeu.

00:10:35.440 --> 00:10:38.000
Ce score est différent des scores de similarité que vous voyez dans la première couche.

00:10:38.780 --> 00:10:41.400
Un score de similarité vous indique que ce document est mathématiquement proche.

00:10:42.180 --> 00:10:45.420
Le score de ReRanker vous indique que ce document est pertinent par rapport à l'intention de l'utilisateur.

00:10:45.880 --> 00:10:47.520
Il déplace la barre des objectifs de Esproch.

00:10:47.520 --> 00:10:49.080
E-Carbonne s'il a la question.

00:10:49.980 --> 00:10:52.720
Cette distinction est le seul moyen de survivre dans les secteurs réglementés.

00:10:53.280 --> 00:10:56.620
Si vous travaillez dans la finance, la santé ou le droit à une précision de 0,8 est un échec.

00:10:57.040 --> 00:10:58.440
Vous avez besoin de 0,9 ou plus.

00:10:58.820 --> 00:11:02.560
Vous ne pouvez pas atteindre ce niveau de précision avec un processus de récupération en une seule étape.

00:11:03.140 --> 00:11:07.000
Le ReRanker vous permet de passer d'une recherche essentiellement correcte à une recherche de qualité professionnelle.

00:11:08.280 --> 00:11:10.900
Il résout le problème de mauvais ordre le plus courant dans RAG.

00:11:10.900 --> 00:11:14.480
Dans une recherche standard, la réponse parfaite peut se trouver en huitième position.

00:11:14.860 --> 00:11:18.680
Mais comme elle n'a pas la bonne densité de mots-clés ou que l'intégration est légèrement floue, elle n'arrive pas.

00:11:18.960 --> 00:11:23.080
En tête, le LLM, étant paresseux, se concentre sur les trois premiers résultats.

00:11:23.740 --> 00:11:27.560
Il rate la vérité en huitième position et génère une hallucination basée sur le bruit en première position.

00:11:28.460 --> 00:11:29.280
Le ReRanker est de cela.

00:11:29.940 --> 00:11:32.860
Il prend cette réponse parfaite en huitième position et la promeut en première position.

00:11:33.280 --> 00:11:35.580
Il identifie que si le document en contient plus de mots-clés,

00:11:35.660 --> 00:11:39.060
le document 8 possède la substance sémantique réelle requise pour satisfaire la requête.

00:11:39.060 --> 00:11:44.200
Ce passage de la récupération au classement est le changement architectural le plus important que vous puissiez faire cette année.

00:11:44.820 --> 00:11:47.440
Nous devons cesser d'être obsédés par la quantité d'informations que nous pouvons trouver.

00:11:48.080 --> 00:11:51.420
Nous devons commencer à être obsédés par l'ordre dans lequel ces informations sont présentées,

00:11:51.720 --> 00:11:54.140
car l'ordre des informations est plus important que la quantité d'informations.

00:11:54.880 --> 00:11:57.840
Si la bonne réponse se trouve en bas de la pile, autant ne pas l'être.

00:11:58.660 --> 00:12:00.520
Le ReRanker garantit que la vérité est toujours en haut.

00:12:01.300 --> 00:12:02.900
Mais il ne s'agit pas seulement de déplacer des documents.

00:12:03.060 --> 00:12:05.960
La couche L2 fournit également des légendes et des surlignages sémantiques.

00:12:05.960 --> 00:12:10.440
Elle identifie les phrases textuelles spécifiques les plus pertinentes dans le document.

00:12:11.420 --> 00:12:13.080
Cela fournit au LLM une aide-mémoire.

00:12:13.660 --> 00:12:16.680
Au lieu de demander au modèle de lire un PDF de 10 pages et de trouver l'aiguille,

00:12:17.180 --> 00:12:22.020
le ReRanker pointe directement l'aiguille et dit « Lisez ces trois phrases spécifiquement ».

00:12:22.020 --> 00:12:24.040
Cela réduit la charge cognitive du LLM.

00:12:24.920 --> 00:12:28.860
Cela minimise le risque que le modèle soit distrait par un contexte non pertinent ailleurs dans le document.

00:12:29.320 --> 00:12:32.100
C'est la différence entre donner un livre à quelqu'un et lui donner un paragraphe surligné.

00:12:32.780 --> 00:12:35.420
Selon vous, lequel conduit à une réponse plus rapide et plus précise.

00:12:35.960 --> 00:12:38.020
En 2026, c'est ainsi que nous résolvons le manque de confiance.

00:12:38.620 --> 00:12:41.740
Les utilisateurs cessent de faire confiance à Copilot lorsqu'ils leur donnent trois types de réponses

00:12:41.740 --> 00:12:43.380
et passent à côté de la réponse définitive.

00:12:43.980 --> 00:12:47.820
Le ReRanker est l'outil qui garantit que la réponse définitive est toujours la première chose que l'utilisateur voit.

00:12:48.280 --> 00:12:49.820
Elle agit comme le filtre final de la vérité.

00:12:50.300 --> 00:12:52.780
Elle comble le fossé entre les données brutes et les informations exploitables.

00:12:53.560 --> 00:12:55.460
Cependant, nous devons être honnêtes quant au compromis.

00:12:55.980 --> 00:12:57.300
Ce niveau de précision n'est pas gratuit.

00:12:57.300 --> 00:13:01.160
Lorsque vous passez d'une simple recherche mathématique à un classement basé sur le raisonnement,

00:13:01.580 --> 00:13:02.760
l'économie de votre système change.

00:13:03.120 --> 00:13:03.820
Vous ajoutez du calcul.

00:13:04.160 --> 00:13:05.020
Vous ajoutez de la latence.

00:13:05.720 --> 00:13:08.880
Et dans un environnement hébergé dans le cloud comme Azure, vous ajoutez des coûts directs.

00:13:09.420 --> 00:13:10.840
Si vous ne gérez pas correctement cette couche,

00:13:11.300 --> 00:13:15.120
la précision que vous gagnez sera effacée par la facture d'infrastructure que vous recevrez la fin du mois.

00:13:16.120 --> 00:13:17.880
Nous devons comprendre l'économie de la précision car,

00:13:18.320 --> 00:13:21.840
dans l'entreprise, une réponse parfaite qui coûte 10 dollars a généré et a souvent moins de valeur

00:13:21.840 --> 00:13:23.800
qu'une réponse suffisamment bonne qui coûte 10 cents.

00:13:25.260 --> 00:13:30.460
Le défi de 2026 consiste à équilibrer le besoin d'une précision de 0,9 avec la réalité d'un budget limité.

00:13:31.180 --> 00:13:32.100
Vous avez besoin du superviseur.

00:13:32.480 --> 00:13:35.380
Mais vous devez également vous assurer qu'il n'est pas la personne la plus chère du bâtiment.

00:13:36.200 --> 00:13:37.280
Mais cette précision a un coût.

00:13:37.280 --> 00:13:40.480
Et si vous ne gérez pas l'infrastructure, le retour sur investissement disparaît.

00:13:41.660 --> 00:13:43.980
Le passage à une architecture de récupération en plusieurs étapes

00:13:43.980 --> 00:13:46.180
crée une tension fondamentale entre la qualité de la réponse

00:13:46.180 --> 00:13:48.400
et la viabilité du budget, et la viabilité du budget.

00:13:48.620 --> 00:13:52.340
Nous avons atteint un point où la possibilité technique d'une précision de 0,9 est réelle.

00:13:52.440 --> 00:13:54.740
Mais la faisabilité financière est souvent ignorée.

00:13:55.260 --> 00:13:58.260
Au début du RAG, nous nous concentrions sur la preuve que le concept fonctionnait.

00:13:58.640 --> 00:14:00.940
Nous ne nous soucions pas du coût par requête car les volumes étaient faibles.

00:14:01.620 --> 00:14:04.680
Mais lorsque vous passez de 10 à 10 utilisateurs, les calculs changent.

00:14:05.560 --> 00:14:08.020
La couche secondaire de raisonnement qui rend le système fiable

00:14:08.020 --> 00:14:10.320
est également celle qui peut le rendre extrêmement coûteux.

00:14:10.940 --> 00:14:13.080
Car dans l'entreprise, la précision est un bien de luxe

00:14:13.080 --> 00:14:16.160
et si vous n'avez pas conçu votre infrastructure pour supporter le poids de ce luxe,

00:14:16.500 --> 00:14:18.960
votre projet consommera son propre retour sur investissement

00:14:18.960 --> 00:14:21.940
avant même d'avoir généré un seul dollar de valeur mesurable.

00:14:23.440 --> 00:14:26.120
L'économie de la précision, des performances par rapport au coût.

00:14:26.780 --> 00:14:29.180
La réalité du niveau standard dans la recherche Azure AI

00:14:29.180 --> 00:14:31.360
est que le classement sémantique est un jeu payant.

00:14:31.940 --> 00:14:33.700
Vous ne pouvez pas simplement basculer un commutateur

00:14:33.700 --> 00:14:34.840
et espérer que votre budget existe entièrement.

00:14:35.480 --> 00:14:38.240
Lorsque vous activez la fonctionnalité de reclassement de la recherche d'applications,

00:14:38.580 --> 00:14:40.940
vous vous éloignez du monde des coûts fixes des unités de recherche de base

00:14:40.940 --> 00:14:43.540
et entrer dans un monde de facturation variable du temps de requête.

00:14:43.540 --> 00:14:45.060
Examinons les chiffres.

00:14:45.320 --> 00:14:46.380
Pour un volume de requêtes modérées,

00:14:46.620 --> 00:14:49.120
disons 50 ZML recherches par mois sur un ensemble de données de 20 gigas,

00:14:49.360 --> 00:14:52.000
vous envisagez des frais généraux mensuels compris entre 300 et 800 dollars.

00:14:52.780 --> 00:14:54.460
Cela peut sembler gérable pour un seul service,

00:14:54.860 --> 00:14:56.920
mais si l'on considère qu'il ne s'agit que de la couche de recherche

00:14:56.920 --> 00:14:59.020
et que vous devez toujours payer pour les jetons LLM

00:14:59.020 --> 00:15:00.160
et la génération d'intégration,

00:15:00.780 --> 00:15:02.680
le coût total de possession commence à grimper en flèche.

00:15:03.220 --> 00:15:05.560
Nous avons vu des organisations lancer un projet pilote de copilote,

00:15:05.660 --> 00:15:08.160
constater un succès massif en termes de satisfaction des utilisateurs,

00:15:08.260 --> 00:15:09.620
puis immédiatement mettre fin au projet

00:15:09.620 --> 00:15:11.020
lorsque la première facture complète arrive.

00:15:11.020 --> 00:15:13.120
Elles étaient tellement concentrées sur les performances

00:15:13.120 --> 00:15:14.720
qu'elles ont oublié de vérifier le prix de ces performances.

00:15:15.580 --> 00:15:17.360
C'est la principale raison pour laquelle les projets RAG

00:15:17.360 --> 00:15:19.240
meurent lors de la transition du laboratoire à la production.

00:15:19.940 --> 00:15:21.800
Le coût d'avoir raison est plus élevé que celui d'avoir tort.

00:15:22.500 --> 00:15:23.740
Alors comment résoudre ce problème ?

00:15:23.740 --> 00:15:26.720
Comment maintenir la précision sans mettre le service informatique en faillite ?

00:15:26.720 --> 00:15:28.140
La réponse réside dans la mise en cache sémantique.

00:15:28.580 --> 00:15:30.000
En 2026, la mise en cache sémantique

00:15:30.000 --> 00:15:31.740
est le sauveur du retour sur investissement pour l'entreprise.

00:15:32.600 --> 00:15:33.560
Voici le problème que nous résolons.

00:15:34.400 --> 00:15:36.040
Les employés ont tendance à poser les mêmes questions

00:15:36.040 --> 00:15:37.240
de manière légèrement différente.

00:15:37.720 --> 00:15:39.480
Quelle est la politique en matière de congés ?

00:15:39.480 --> 00:15:41.700
Pouvez-vous me montrer les règles relatives au congé ?

00:15:41.700 --> 00:15:43.460
Combien de jours de congés ai-je droit ?

00:15:43.460 --> 00:15:44.540
Dans un pipeline RAG standard,

00:15:44.720 --> 00:15:46.700
chacune de ces questions déclenche une récupération complète,

00:15:46.780 --> 00:15:48.380
un reclassement sémantique et un appel LLM.

00:15:48.860 --> 00:15:50.300
Vous payez pour la même réponse trois fois.

00:15:50.780 --> 00:15:52.060
La mise en cache sémantique m'efface, gaspille.

00:15:52.660 --> 00:15:54.040
Elle utilise un modèle d'intégration léger

00:15:54.040 --> 00:15:56.220
pour identifier que ces trois questions partagent la même intention.

00:15:57.380 --> 00:15:58.960
Au lieu de revenir au moteur de raisonnement coûteux,

00:15:59.020 --> 00:16:00.220
le système extrait la réponse,

00:16:00.320 --> 00:16:01.600
vérifiez d'un cache haute vitesse.

00:16:01.600 --> 00:16:05.440
Cela peut réduire vos appels LLM de 60 à 80%.

00:16:05.440 --> 00:16:08.020
Et la transformation de l'expérience utilisateur est encore plus spectaculaire.

00:16:08.460 --> 00:16:11.040
Vous passez d'une attente de 3 secondes pour une inférence GPT-4 en direct

00:16:11.040 --> 00:16:12.760
à un accès au cache inférieur à 50 milisauts.

00:16:13.000 --> 00:16:14.800
Cela représente une amélioration de la vitesse de 250.

00:16:15.160 --> 00:16:16.980
Soudain, le copilote semble instantané.

00:16:17.960 --> 00:16:20.660
Il passe d'un outil lent que les gens tolèrent à un assistant réactif

00:16:20.660 --> 00:16:22.000
que les gens aiment réellement utiliser.

00:16:22.940 --> 00:16:24.520
Mais la mise en cache ne représente que la moitié de la bataille.

00:16:24.840 --> 00:16:26.320
L'autre moitié est l'activation sélective.

00:16:26.320 --> 00:16:28.500
L'une des plus grandes erreurs que font les architectes

00:16:28.500 --> 00:16:30.820
est d'appliquer un classement sémantique à chaque requête.

00:16:31.460 --> 00:16:33.800
Vous n'avez pas besoin d'un transformateur de raisonnement approfondi

00:16:33.800 --> 00:16:34.800
pour trouver un document intitulé

00:16:34.800 --> 00:16:37.220
modèle de rapport de dépense 2025, une correspondance 2025,

00:16:37.340 --> 00:16:39.280
une correspondance de mots-clés de base est largement suffisante pour cela.

00:16:39.660 --> 00:16:42.600
La stratégie pour 2026 est de conserver les accès simples sur la couche bon marché.

00:16:43.060 --> 00:16:45.400
Vous ne devez déclencher le reclassement L2 que sur les requêtes complexes

00:16:45.400 --> 00:16:47.340
en langage naturel où l'intention est ambiguë.

00:16:48.340 --> 00:16:50.320
En implémentant une porte logique en amont de votre pipeline,

00:16:50.320 --> 00:16:52.040
vous pouvez réserver votre budget aux requêtes

00:16:52.040 --> 00:16:54.120
qui nécessitent réellement une précision supplémentaire.

00:16:54.740 --> 00:16:56.040
Considérez cela comme un système de trial.

00:16:56.440 --> 00:16:58.680
La couche bon marché gère 70% de requêtes de routine.

00:16:59.340 --> 00:17:03.080
La couche sémantique coûteuse gère les 30% qui génèrent réellement de la valeur commerciale.

00:17:03.540 --> 00:17:04.660
C'est ainsi que vous équilibrez le budget.

00:17:05.100 --> 00:17:07.580
Vous assurez que le coût de la recherche ne dépasse pas la valeur de la réponse.

00:17:08.340 --> 00:17:10.020
Si une requête vaut 10 centimes de productivité,

00:17:10.120 --> 00:17:12.100
ne dépensez pas un dollar de calcul pour la résoudre.

00:17:12.580 --> 00:17:14.880
Nous devons également tenir compte de la hiérarchisation des données L2.

00:17:15.360 --> 00:17:17.060
Tous les documents ne nécessitent pas une précision de 0.

00:17:17.560 --> 00:17:20.200
Votre menu de cafétéria interne n'a pas besoin d'un reclasseur dérivé de Bing,

00:17:20.200 --> 00:17:22.340
mais vos documents de conformité réglementaire en ont besoin.

00:17:23.040 --> 00:17:24.480
En partitionnant vos index de recherche

00:17:24.480 --> 00:17:26.760
et en appliquant différentes stratégies de placement à chacun,

00:17:27.160 --> 00:17:29.980
vous pouvez optimiser vos dépenses en fonction de la criticité des informations.

00:17:31.360 --> 00:17:33.040
C'est ce que nous appelons la récupération basée sur la valeur.

00:17:33.560 --> 00:17:35.960
C'est la prise de conscience que la précision n'est pas un choix binaire,

00:17:36.800 --> 00:17:37.480
c'est une échelle mobile.

00:17:38.140 --> 00:17:38.820
Et en tant qu'architecte,

00:17:38.900 --> 00:17:40.440
votre travail consiste à déplacer ce curseur

00:17:40.440 --> 00:17:42.360
en fonction des besoins spécifiques de l'unité commerciale.

00:17:42.360 --> 00:17:44.940
L'objectif n'est pas de construire le système le plus précis possible.

00:17:45.500 --> 00:17:48.800
L'objectif est de construire le système le plus précis que l'entreprise puisse réellement se permettre d'exploiter.

00:17:49.520 --> 00:17:53.220
Car une IA parfaite mais trop coûteuse à utiliser n'est qu'un presse-papier très sophistiqué.

00:17:54.100 --> 00:17:57.160
En 2026, les gagnants ne seront pas ceux qui auront les meilleurs résultats.

00:17:57.640 --> 00:18:01.600
Ce seront ceux qui auront trouvé comment atteindre 0,85% un coût qui évolue,

00:18:01.920 --> 00:18:03.380
linéairement, avec leur croissance.

00:18:03.920 --> 00:18:07.180
Ce sont eux qui auront traité l'infrastructure comme une contrainte et non comme une réflexion après-coup.

00:18:07.880 --> 00:18:10.120
La gestion des coûts est l'aspect technique de l'équation.

00:18:10.640 --> 00:18:13.240
Mais même si vous maîtrisez les aspects économiques, vous avez toujours un problème humain.

00:18:13.640 --> 00:18:15.860
Vous devez combler l'écart entre les licences que vous avez achetées

00:18:15.860 --> 00:18:18.360
et la confiance réelle que vos utilisateurs ont dans le système.

00:18:18.780 --> 00:18:21.320
Car s'ils ne font pas confiance à la réponse, peu importe le coût de sa génération,

00:18:21.560 --> 00:18:23.180
ils recommenceront simplement à chercher comme avant.

00:18:23.820 --> 00:18:25.420
Et cela nous amène au déficit de gouvernance.

00:18:25.900 --> 00:18:27.600
Car la confiance ne concerne pas seulement la précédente.

00:18:28.000 --> 00:18:29.860
Il s'agit du cadre qui entoure cette précision.

00:18:30.340 --> 00:18:32.100
Il s'agit de savoir que l'IA n'est pas seulement correcte,

00:18:32.140 --> 00:18:34.320
mais qu'elle a le droit d'être correcte dès le départ.

00:18:34.320 --> 00:18:37.220
La gestion des coûts relève de l'aspect technique,

00:18:37.400 --> 00:18:39.380
mais l'aspect exécutif concerne le déficit de gouvernance.

00:18:40.020 --> 00:18:42.720
L'optimisation de votre infrastructure ne résout qu'une partie de l'équation.

00:18:43.380 --> 00:18:45.740
Vous pouvez créer le moteur de précision le plus rentable au monde,

00:18:46.040 --> 00:18:48.680
mais si votre équipe de direction est terrifiée par ce qu'il pourrait faire apparaître,

00:18:48.960 --> 00:18:50.480
le projet ne quittera jamais le bac à sable.

00:18:51.200 --> 00:18:52.820
Nous avons atteint un point où le goulot d'étranglement

00:18:52.820 --> 00:18:54.900
n'est pas le budget de calcul ou la latence du reclasseur.

00:18:55.800 --> 00:18:58.640
La véritable friction réside dans l'écart entre les licences que vous avez attribuées

00:18:58.640 --> 00:19:00.980
et l'autorité réelle dont dispose l'IA pour fonctionner.

00:19:02.020 --> 00:19:04.300
L'écart de gouvernance, pourquoi les politiques ne sont pas utilisées.

00:19:04.940 --> 00:19:07.620
Nous avons actuellement 15 millions de postes payants dans l'écosystème.

00:19:08.100 --> 00:19:09.900
Pourtant, le taux de conversion sur le lieu de travail

00:19:09.900 --> 00:19:11.900
est bloqué à un niveau stupéfiant de 35%.

00:19:11.900 --> 00:19:14.760
Cela signifie que deux utilisateurs sous licence sur trois

00:19:14.760 --> 00:19:15.980
ignorent essentiellement l'outil,

00:19:16.380 --> 00:19:18.180
ils cessent de l'utiliser après la troisième hallucination.

00:19:18.640 --> 00:19:20.860
La confiance est fragile et une mauvaise récupération

00:19:20.860 --> 00:19:23.200
la détruit plus vite que n'importe quelle session de formation ne peut la construire.

00:19:24.280 --> 00:19:25.880
La gouvernance n'est pas qu'un simple document,

00:19:26.280 --> 00:19:27.080
c'est un contrôle technique.

00:19:28.080 --> 00:19:30.140
Sans lui, votre projet RAJ meurt à la semaine 12,

00:19:30.280 --> 00:19:33.180
alors à quoi ressemble le nouveau modèle en pratique ?

00:19:33.180 --> 00:19:34.640
C'est une évolution vers des agents gouvernés.

00:19:35.400 --> 00:19:37.240
L'ère de la boîte de dialogue touche à sa fin.

00:19:37.900 --> 00:19:39.640
Nous nous éloignons d'un monde où l'on pose une question

00:19:39.640 --> 00:19:41.640
en espérant que les calculs trouvent un document.

00:19:42.320 --> 00:19:43.560
Le nouveau modèle porte sur la délégation.

00:19:43.980 --> 00:19:46.180
Il s'agit de passer d'un système qui se contente de récupérer des données

00:19:46.180 --> 00:19:48.380
à un système qui résonne réellement sur le processus de recherche lui-même.

00:19:49.140 --> 00:19:50.800
Nous entrons dans l'ère de l'agent gouverné,

00:19:51.800 --> 00:19:53.600
un système qui ne se contente pas de rechercher des données,

00:19:53.820 --> 00:19:56.220
mais qui comprend les règles de la maison avant même de démarrer le moteur.

00:19:56.220 --> 00:19:58.440
La feuille de route 2026

00:19:58.440 --> 00:20:00.000
De la récupération au raisonnement

00:20:00.000 --> 00:20:02.320
Si vous voulez rester pertinent au cours des 24 prochains mois,

00:20:02.440 --> 00:20:04.780
votre feuille de route doit évoluer vers le ARAX et agentique.

00:20:05.280 --> 00:20:06.040
C'est la prochaine frontière.

00:20:06.400 --> 00:20:07.280
Dans une configuration standard,

00:20:07.420 --> 00:20:09.440
le système prend votre requête et exécute une recherche unique.

00:20:09.760 --> 00:20:10.780
Dans une configuration agentique,

00:20:10.900 --> 00:20:11.720
l'IA planifie la recherche.

00:20:12.100 --> 00:20:14.740
Il examine votre requête et décide s'il doit accéder au magasin de vecteurs,

00:20:14.840 --> 00:20:16.040
interroger une base de données SQL,

00:20:16.160 --> 00:20:17.720
ou peut-être vérifier une API en temps réel,

00:20:17.780 --> 00:20:18.760
ou peut-être vérifier en temps réel.

00:20:18.840 --> 00:20:20.720
Il raisonne à travers les étapes nécessaires pour trouver le lien.

00:20:21.180 --> 00:20:22.920
C'est là que le graphérage devient la référence absolue.

00:20:22.920 --> 00:20:24.520
Pour les environnements à enjeu élevé,

00:20:24.680 --> 00:20:26.380
vous avez besoin d'une précision de 89%,

00:20:26.380 --> 00:20:28.140
vous ne pouvez pas vous fier à des fragments de documents plats.

00:20:29.000 --> 00:20:30.200
Vous avez besoin d'un graphe de connaissances

00:20:30.200 --> 00:20:31.840
qui cartographie les relations entre les entités,

00:20:31.920 --> 00:20:33.500
les personnes, les projets et les politiques.

00:20:34.520 --> 00:20:35.600
Cela permet à l'IA de comprendre

00:20:35.600 --> 00:20:36.720
que lorsque vous posez des questions

00:20:36.720 --> 00:20:38.180
sur le budget de l'ingénieur principal,

00:20:38.660 --> 00:20:39.420
elle doit trouver la personne,

00:20:39.540 --> 00:20:40.460
puis le projet qu'elle dirige,

00:20:40.540 --> 00:20:43.040
puis le grand livre financier spécifique associé à ce projet.

00:20:43.900 --> 00:20:45.360
Il s'agit d'une chaîne de raisonnement à soins multiples

00:20:45.360 --> 00:20:47.300
que la recherche vectorielle plate ne peut tout simplement pas effectuer.

00:20:47.820 --> 00:20:48.740
Mais voici la dure vérité.

00:20:49.300 --> 00:20:50.780
Votre IA est limitée par vos métadonnées,

00:20:50.780 --> 00:20:52.100
pas par votre nombre de licences.

00:20:53.080 --> 00:20:55.040
Si vos sites SharePoint sont un cimetière de documents

00:20:55.040 --> 00:20:56.420
one.docx et final,

00:20:56.700 --> 00:20:57.900
v2reallyfinal.pdf,

00:20:58.060 --> 00:21:00.180
aucun raisonnement agentique ne vous sauvera.

00:21:00.960 --> 00:21:02.040
Préparer votre base de données

00:21:02.040 --> 00:21:04.320
est le seul moyen d'éviter le décalage concurrentiel à venir.

00:21:05.120 --> 00:21:06.720
Les entreprises qui attendent de corriger

00:21:06.720 --> 00:21:07.820
leur couche de récupération

00:21:07.820 --> 00:21:09.040
se retrouveront bloquées

00:21:09.040 --> 00:21:11.100
avec un taux d'adoption de 35% tandis

00:21:11.100 --> 00:21:13.700
que leurs concurrents automatisent des flux de travail entiers.

00:21:14.540 --> 00:21:16.140
Nous passons de la recherche vectorielle en tant qu'outil

00:21:16.140 --> 00:21:17.200
à la stratégie sémantique

00:21:17.200 --> 00:21:19.060
en tant que compétence métier essentielle.

00:21:19.060 --> 00:21:22.260
Votre transformation commence par un audit de récupération.

00:21:22.820 --> 00:21:24.540
Arrêtez de mesurer la rapidité de réponse de l'IA

00:21:24.540 --> 00:21:26.780
et commencez à mesurer la fréquence à laquelle elle est réellement correcte.

00:21:27.420 --> 00:21:29.920
Identifiez les 10% de vos cas d'utilisation les plus complexes,

00:21:30.420 --> 00:21:32.640
ceux où la précision est une exigence et non une suggestion,

00:21:32.880 --> 00:21:35.900
et implémentez le re-ranqueur L2 sur ces pipelines dès aujourd'hui.

00:21:36.660 --> 00:21:39.160
Si ce changement de modèle a changé votre façon de penser votre architecture,

00:21:39.560 --> 00:21:41.960
suivez-moi Mircopyter sur LinkedIn pour d'autres analyses approfondies.

00:21:42.440 --> 00:21:44.600
Si cela vous a aidé à diagnostiquer pourquoi votre projet actuellement

00:21:44.600 --> 00:21:46.040
laissez un avis, laissez un avis.

00:21:46.040 --> 00:21:48.500
Cela permet à ce podcast d'atteindre les architectes

00:21:48.500 --> 00:21:50.100
qui sont toujours en difficulté dans le piège du top K.

00:21:50.880 --> 00:21:53.180
Votre prochaine étape consiste à consulter notre analyse approfondie

00:21:53.180 --> 00:21:55.520
des flux de travail à gentil pour voir exactement où cette précision nous mène.
