Les bases de données vectorielles et les embeddings permettent aux logiciels de trouver des informations par leur sens plutôt que par des mots exacts. Pour une entreprise locale ou une petite entreprise, cela alimente des fonctionnalités telles qu’une recherche sur le site web qui comprend “quelque chose pour un mal de dos” ou un chatbot qui répond à partir de votre propre liste de prix et de vos politiques. Vous n’avez pas besoin de construire une infrastructure pour commencer ; de nombreux outils incluent désormais des embeddings en arrière-plan, et un petit projet peut fonctionner sur des niveaux gratuits ou à faible coût.
Que sont les embeddings, en termes simples ?
Un embedding est une liste de nombres qui représente le sens d’un morceau de texte, d’une image ou d’un autre élément. Un modèle, comme les modèles d’embedding de texte d’OpenAI, les modèles d’embedding Gemini de Google ou des options open-source comme celles sur Hugging Face, lit le texte et génère cette liste. Les textes ayant des significations similaires obtiennent des nombres similaires.
Ainsi, “combien de temps prend la livraison” et “quand ma commande arrivera-t-elle” finissent par être proches, même s’ils ne partagent presque aucun mot. Cette proximité est ce qui permet aux logiciels de faire correspondre les questions aux réponses, les produits aux besoins ou les documents aux sujets.
Que fait une base de données vectorielle ?
Une base de données vectorielle stocke les embeddings et trouve très rapidement les plus proches d’une nouvelle requête. Les choix populaires incluent Pinecone, Weaviate, Qdrant, Milvus et Chroma, ainsi que des extensions comme pgvector pour PostgreSQL. Supabase, MongoDB Atlas et d’autres bases de données générales proposent désormais également la recherche vectorielle.
Pour une petite entreprise, la base de données est généralement invisible. Un constructeur de chatbot, un plugin de recherche sur le site ou un outil de service client peuvent gérer les embeddings et le stockage en interne. Vous avez seulement besoin de savoir qu’ils existent pour pouvoir juger les fournisseurs et comprendre pourquoi la qualité des réponses dépend du contenu que vous fournissez.
Quels usages sont pertinents pour une petite entreprise ?
Commencez par les problèmes que vous avez déjà, pas par la technologie. Les points suivants sont réalistes pour une entreprise avec peu de personnel et un budget limité.
- Recherche sur le site web qui comprend les questions naturelles, pour les boutiques avec plus de quelques dizaines de produits
- Un chatbot qui répond à partir de vos propres FAQ, horaires d’ouverture, liste de services et politiques
- Recherche interne dans les contrats, notes des fournisseurs et procédures stockées dans Google Drive ou Notion
- Regroupement des avis clients ou des demandes par thème pour voir ce que les gens mentionnent le plus
- Recommandations de produits basées sur la similarité des descriptions, comme “similaire à cet article”
Une clinique, par exemple, pourrait intégrer ses pages de traitement et ses instructions pré-visite dans un assistant afin que les patients obtiennent des réponses cohérentes sur la préparation, tandis que tout ce qui est médical est transmis au personnel. Une quincaillerie pourrait rendre son catalogue interrogeable par problème plutôt que par numéro de pièce.
Devez-vous construire quelque chose vous-même ?
Souvent non. De nombreux outils prêts à l’emploi utilisent déjà des embeddings en interne. Les applications Shopify pour la recherche intelligente, les plugins de recherche WordPress et les plateformes de chatbot comme Tidio, Intercom ou les constructeurs de GPT personnalisés vous permettent de télécharger des documents et d’obtenir des réponses basées sur le sens sans code.
Construire votre propre solution est judicieux lorsque vous avez des données inhabituelles, besoin de contrôler la confidentialité ou souhaitez connecter plusieurs sources. Une construction simple pourrait utiliser une API d’embedding, une base de données vectorielle hébergée sur un niveau gratuit et un court script qui indexe vos pages chaque nuit. Un développeur freelance peut généralement mettre en place une première version en quelques jours, pas en quelques mois.
Comment cela s’intègre-t-il avec un chatbot ?
La plupart des chatbots d’entreprise basés sur de grands modèles de langage utilisent un modèle appelé génération augmentée par récupération (retrieval-augmented generation). Lorsqu’un client pose une question, le système transforme la question en embedding, trouve les parties les plus similaires de votre contenu dans la base de données vectorielle et donne ces parties au modèle de langage pour rédiger la réponse.
C’est important car le modèle répond alors à partir de vos informations plutôt que de connaissances générales sur Internet. Cela signifie également que le chatbot n’est aussi bon que le contenu que vous indexez. Si votre page de retours est obsolète, la réponse le sera aussi.
À quoi les petites entreprises doivent-elles faire attention ?
Les coûts sont généralement modestes à petite échelle, mais vérifiez les modèles de tarification avant de vous engager. Certains facturent par requête, d’autres par élément stocké ou par mois. Modélisez le coût en fonction de votre trafic réel, pas de la démo.
- Qualité du contenu : des pages propres, actuelles et traitant d’un seul sujet donnent de bien meilleurs résultats que de longs documents mélangés.
- Confidentialité : n’indexez pas de données personnelles de clients ou de documents privés dans un outil sans vérifier ses conditions de données et vos règles locales de protection des données, comme le RGPD ou la KVKK en Turquie.
- Mises à jour : décidez de la fréquence de rafraîchissement de l’index lorsque les prix ou les politiques changent.
- Alternative : donnez toujours aux clients un moyen clair de joindre une personne.
- Langue : si vous servez des clients dans plusieurs langues, choisissez un modèle d’embedding qui les gère toutes.
Comment savoir si cela fonctionne ?
Choisissez deux ou trois mesures liées au problème. Pour la recherche sur le site, suivez les recherches sans clic, le taux de recherche vers achat et les requêtes les plus courantes qui renvoient de mauvais résultats. Pour un chatbot, lisez un échantillon de conversations chaque semaine et suivez la fréquence à laquelle les clients demandent à parler à une personne.
Comparez avec la période précédant le lancement. Un petit échantillon lu attentivement vous en dit plus qu’un tableau de bord rempli de moyennes.
Comment Alien Road applique les bases de données vectorielles et les embeddings
Dans une mission typique avec un client plus petit, Alien Road commence par un inventaire de contenu : quelles pages, documents et FAQ existent, quelle est leur actualité et où les clients restent bloqués. Souvent, le premier travail consiste à réécrire une poignée de pages pour qu’elles répondent chacune à une seule question.
Ensuite, nous choisissons la configuration la plus simple qui résout le problème, généralement un plugin existant ou une plateforme de chatbot avec des embeddings intégrés, et seulement une construction personnalisée lorsque les données l’exigent. Nous configurons l’indexation, testons avec des questions réelles de clients et établissons des règles de transfert pour le personnel.
La mesure et le reporting se concentrent sur les sorties de recherche, les transferts de chatbot et la conversion depuis la recherche ou le chat. Nous examinons les requêtes échouées avec le client chaque mois et corrigeons le contenu derrière elles.
Par où commencer cette semaine
Notez les vingt questions que les clients vous posent le plus souvent, par téléphone, e-mail ou en personne. Vérifiez si votre site web répond clairement à chacune sur une seule page. Comblez les lacunes en premier. Ensuite, essayez un chatbot ou un outil de recherche intelligente en essai gratuit, chargez ces pages et posez-lui les vingt mêmes questions pour voir comment il répond. Notez chaque réponse fausse ou vague, corrigez la page derrière elle et testez à nouveau avant de présenter l’outil aux clients.
Continuer la lecture : Optimisation par IA · Optimisation par IA