Les bases de données vectorielles stockent des embeddings, qui sont des listes de nombres représentant la signification d’un morceau de texte, d’une image ou d’un produit. Pour les marketeurs, ils alimentent la recherche sémantique sur le site, les recommandations de contenu, les assistants de chat IA qui répondent à partir de documents d’entreprise et les outils qui trouvent des clients ou des pages similaires. Vous en achetez rarement directement ; ils résident généralement dans un produit que vous utilisez déjà.
Un modèle d’embedding, comme les modèles de text-embedding d’OpenAI, les embeddings Gemini de Google, Cohere Embed ou des modèles ouverts comme ceux des familles BGE et E5, transforme le contenu en vecteur. Les textes ayant une signification similaire se retrouvent proches les uns des autres. Une base de données vectorielle, comme Pinecone, Weaviate, Qdrant, Milvus, Chroma ou l’extension pgvector pour PostgreSQL, stocke des millions de ces vecteurs et trouve rapidement les plus proches.
Que capture réellement un embedding ?
Un embedding capture le sens, pas les mots exacts. “Vols pas chers pour Istanbul” et “billets d’avion à bas prix Istanbul” partagent peu de mots, mais se retrouvent proches. La recherche par mots-clés les traiterait comme différents ; la recherche sémantique les traite comme des voisins proches.
C’est utile, et cela a des limites. Les embeddings peuvent brouiller des différences qui comptent pour votre entreprise, comme “coque iPhone 15” et “coque iPhone 16”. Ils héritent également des biais et des lacunes des données sur lesquelles le modèle a été entraîné. La plupart des systèmes de production combinent la recherche vectorielle avec la recherche par mots-clés, une configuration appelée recherche hybride, pour obtenir le meilleur des deux mondes.
Où les marketeurs rencontrent-ils les bases de données vectorielles ?
La plupart des équipes les utilisent déjà sans les appeler par leur nom. Les endroits courants incluent ceux-ci.
- Recherche sur le site : les fonctionnalités de recherche d’Algolia, Elasticsearch et Shopify utilisent de plus en plus la recherche vectorielle ou hybride
- Assistants IA sur les sites web qui répondent à partir d’articles d’aide, en utilisant la retrieval-augmented generation
- Outils de connaissances internes qui permettent au personnel de poser des questions sur les briefs, les rapports et les directives de marque
- Recommandations de contenu, comme les “articles connexes” choisis par signification plutôt que par tags partagés
- Outils SEO qui regroupent les mots-clés ou trouvent des pages similaires pour le maillage interne
- Analyse client qui regroupe les avis ou les tickets de support par thème
Comment la retrieval-augmented generation les utilise-t-elle ?
La retrieval-augmented generation, généralement abrégée en RAG, est le modèle derrière la plupart des outils de “chat avec vos documents”. Les documents sont divisés en morceaux, chaque morceau est intégré et stocké. Lorsqu’un utilisateur pose une question, la question est également intégrée, les morceaux les plus proches sont récupérés et transmis à un modèle de langage, qui rédige une réponse basée sur eux.
Pour le marketing, le RAG signifie un chatbot qui cite votre politique de retour réelle au lieu d’en inventer une, ou un assistant interne qui trouve les résultats de la campagne de l’année dernière en quelques secondes. La qualité dépend fortement des documents sources. Les PDF obsolètes et les versions en double produisent des réponses confuses, quelle que soit la base de données sous-jacente.
Ce qui rend les réponses RAG meilleures
- Documents sources propres et actuels avec une version de chaque politique
- Tailles de morceaux sensées, souvent quelques centaines de mots avec un certain chevauchement
- Métadonnées telles que la date, le produit et la langue, utilisées pour filtrer les résultats
- Recherche hybride pour que les termes exacts comme les codes produits ne soient pas manqués
- Une instruction au modèle de dire “Je ne sais pas” lorsque les sources manquent de réponse
Avez-vous besoin de choisir une base de données vectorielle ?
Pour la plupart des équipes marketing, non. Si vous utilisez une plateforme qui propose la recherche sémantique ou un assistant IA, le fournisseur a choisi pour vous. Votre travail consiste à l’alimenter avec du bon contenu et à mesurer les résultats.
Le choix compte lorsque vous construisez quelque chose vous-même, par exemple un assistant interne pour les rapports d’agence. Alors les options équilibrent simplicité et contrôle. pgvector convient aux équipes qui utilisent déjà PostgreSQL et ont des volumes de données modérés. Les services gérés comme Pinecone éliminent le travail d’infrastructure. Les moteurs open source comme Qdrant et Weaviate peuvent fonctionner sur vos propres serveurs, ce qui aide lorsque les données doivent rester dans un pays spécifique.
Quelles sont les préoccupations en matière de confidentialité et de données ?
Les embeddings sont dérivés du contenu. Si le contenu inclut des données personnelles, comme des e-mails de clients ou des chats de support, les vecteurs et les morceaux stockés le font aussi. Traitez la base de données comme vous traiteriez les données originales sous le RGPD ou la KVKK : sachez où elle est hébergée, qui peut y accéder et comment supprimer les données d’une personne sur demande.
Vérifiez également ce que le fournisseur d’embeddings fait avec votre texte. Les plans d’affaires des principaux fournisseurs indiquent généralement que les données API ne sont pas utilisées pour l’entraînement, mais lisez les conditions du plan que vous utilisez plutôt que de supposer.
Comment mesurez-vous si cela fonctionne ?
La mesure dépend du cas d’utilisation, mais le principe est le même : comparez avec ce que vous aviez avant.
- Recherche sur le site : taux de sortie de recherche, recherches à zéro résultat, conversion recherche-achat
- Assistants de chat : part des questions répondues sans transfert, évaluations des utilisateurs, précision sur un jeu de test
- Recommandations : taux de clic et conversion en aval par rapport aux recommandations basées sur les tags
- Outils internes : temps pour trouver un document, mesuré avec quelques employés sur des tâches définies
Pour les assistants, construisez un jeu de test de 50 à 100 questions réelles avec des réponses correctes et exécutez-le après chaque changement de contenu ou de paramètre. Il attrape les régressions avant les clients.
Comment Alien Road applique les bases de données vectorielles et les embeddings
Dans un engagement typique, la découverte signifie examiner où la recherche ou les réponses échouent aujourd’hui : recherches à zéro résultat sur le site, questions de support répétées ou personnel qui ne peut pas trouver de travail passé. Nous vérifions ensuite si les plateformes actuelles du client proposent déjà la recherche sémantique ou un assistant qui a juste besoin de meilleur contenu.
Lorsqu’une construction personnalisée a du sens, la configuration couvre le nettoyage du contenu, le découpage et les métadonnées, une configuration de recherche hybride et un jeu de test de questions. Nous commençons généralement par pgvector ou un service géré, en fonction des besoins d’hébergement et de localisation des données du client. La mesure suit les métriques ci-dessus, et les rapports mensuels incluent le score du jeu de test et une liste des lacunes de contenu que l’assistant a révélées.
Par où commencer cette semaine
Ouvrez votre rapport de recherche sur le site dans GA4 ou votre outil de recherche et exportez les principales requêtes à zéro résultat du mois dernier. Beaucoup d’entre elles seront des synonymes ou des formulations que votre recherche par mots-clés ne correspond pas. Cette liste est le business case pour la recherche sémantique ou hybride.
Si vous utilisez déjà un assistant de chat, écrivez 30 questions clients réelles avec des réponses correctes et testez-le. Les échecs pointeront d’abord vers des problèmes de contenu et ensuite vers des problèmes de technologie.
Continuer la lecture : Optimisation par IA · Optimisation par IA