Les bases de données vectorielles stockent des embeddings, qui sont des listes de nombres décrivant le sens d’un texte, d’une image ou d’un produit. Les équipes marketing les utilisent pour trouver du contenu similaire, faire correspondre les questions des clients aux bonnes réponses et fournir un contexte précis aux assistants AI. La valeur pratique est la recherche par sens plutôt que par mots exacts.
Qu’est-ce qu’un embedding, en termes simples ?
Un modèle d’embedding lit une phrase et renvoie un long vecteur, souvent plusieurs centaines ou quelques milliers de nombres. Deux phrases ayant un sens similaire finissent par être proches l’une de l’autre dans cet espace, même si elles ne partagent aucun mot. “Chaussures de course bon marché” et “baskets abordables pour le jogging” se retrouvent proches l’une de l’autre.
Plusieurs fournisseurs proposent des modèles d’embedding via une API, notamment OpenAI, Google, Cohere et des options open source comme la famille sentence-transformers. Le choix du modèle importe moins que la cohérence. Si vous intégrez votre catalogue avec un modèle, vous devez intégrer chaque requête avec le même modèle, sinon les distances perdent tout leur sens.
Où les bases de données vectorielles s’intègrent-elles dans une stack marketing ?
Une base de données vectorielle est la couche de stockage et de recherche pour ces nombres. Pinecone, Weaviate, Qdrant et Milvus sont des produits dédiés. PostgreSQL avec l’extension pgvector, Elasticsearch et OpenSearch prennent également en charge la recherche vectorielle, ce qui est souvent suffisant pour un site de taille moyenne.
La base de données répond très rapidement à une question : quels éléments stockés sont les plus proches de ce nouvel élément ? Tout ce qui est utile dans le marketing est construit sur cette seule opération.
- Dédoublonnage de contenu : trouvez les articles de blog qui couvrent le même sujet avant qu’ils ne soient en concurrence pour la même requête.
- Maillage interne : suggérez les cinq articles les plus pertinents pour chaque page.
- Recommandations de produits : montrez des articles similaires dans la description, pas seulement dans la catégorie.
- Support et chat : récupérez le bon article d’aide avant qu’un chatbot n’écrive une réponse.
- Recherche d’audience : regroupez des milliers d’avis ou de requêtes de recherche par thèmes.
En quoi est-ce différent des outils de mots-clés ?
Les outils de mots-clés comptent les chaînes de caractères. Ils restent la bonne source pour le volume de recherche et la concurrence, car les moteurs de recherche rapportent la demande par requête. Les embeddings ne remplacent pas ces données ; ils les organisent.
Un exemple typique : un export de mots-clés avec 8 000 lignes est difficile à lire. Intégrer chaque requête et regrouper les vecteurs produit peut-être 60 groupes, chacun étant une page ou une section candidate. Un stratège nomme toujours les groupes et décide des priorités. La machine fait seulement le tri qui prenait autrefois des jours dans un tableur.
Comment Alien Road applique les bases de données vectorielles et les embeddings
Dans une mission typique, le travail suit quatre étapes, et chaque étape a un résultat écrit que le client peut vérifier.
Découverte
Nous commençons par un inventaire : chaque URL, son titre, son titre principal et son corps de texte, ainsi que les requêtes Search Console des derniers mois. La question à ce stade est simple. Où le client souffre-t-il de chevauchements, d’une couverture mince ou d’un mauvais maillage ? Les embeddings répondent plus vite qu’une lecture manuelle, mais une personne examine les paires signalées.
Configuration
Pour la plupart des sites, nous utilisons pgvector au sein d’une instance PostgreSQL existante ou d’un service géré comme Qdrant Cloud. Le texte est divisé en blocs de quelques centaines de mots, intégré une fois et stocké avec l’URL et la langue. Un petit script réintègre uniquement les pages dont le hash de contenu a changé, de sorte que les coûts restent prévisibles.
Mesure
Le premier rapport liste les paires de pages quasi identiques au-dessus d’un seuil de similarité que nous ajustons par site, car le bon seuil dépend du modèle et du style de contenu. Il liste également les pages orphelines et les liens internes suggérés. Les résultats sont comparés avant et après les changements en utilisant les clics et les impressions Search Console pour les URL concernées.
Reporting
Les clients reçoivent une feuille avec les décisions : fusionner, rediriger, réécrire ou conserver. Nous évitons de présenter les scores de similarité comme un facteur de classement. Ce sont des diagnostics, et le rapport le précise.
Quelles sont les limites ?
Les embeddings capturent le sens de manière approximative, pas parfaite. La négation est un point faible connu : “hôtels qui autorisent les animaux” et “hôtels qui n’autorisent pas les animaux” peuvent être proches. Les textes courts comme les titres de produits portent peu de signal par eux-mêmes, il est donc utile d’intégrer le titre avec la description et les attributs clés.
La langue est un autre problème. Les modèles multilingues gèrent le turc, l’allemand et l’anglais dans un même espace, mais la qualité varie selon la paire de langues. Testez avec un échantillon de paires connues avant de faire confiance au résultat sur un catalogue complet.
Enfin, une base de données vectorielle n’est pas une source de vérité. Si la page sous-jacente est fausse, l’étape de récupération renverra avec confiance des informations fausses. La qualité du contenu passe avant tout.
Combien coûte un premier projet sensé en termes d’effort ?
Pour un site de quelques milliers de pages, la configuration technique se mesure généralement en jours, pas en mois. Les coûts d’intégration via des API commerciales sont faibles pour ce volume au moment de la rédaction, bien que les prix changent, vérifiez donc la page actuelle du fournisseur. Le coût le plus important est l’examen humain des clusters et des paires en double.
Une règle utile : choisissez une décision que le projet doit éclairer, comme les 50 articles à consolider. Les projets qui tentent d’”ajouter la recherche AI à tout” ont tendance à stagner parce que personne ne possède le résultat.
Erreurs courantes à éviter
- Mélanger les modèles d’embedding entre les données stockées et les requêtes.
- Intégrer des pages entières comme un seul vecteur, ce qui brouille plusieurs sujets en un seul point.
- Omettre les métadonnées telles que la langue, la date et le type de contenu, dont vous aurez besoin pour le filtrage.
- Traiter le score de similarité comme une vérité absolue au lieu d’une liste courte classée.
- Oublier de réintégrer après des modifications de contenu, de sorte que l’index s’éloigne lentement du site en ligne.
Par où commencer cette semaine
Exportez vos URL et votre corps de texte, choisissez un modèle d’embedding open source et chargez les vecteurs dans pgvector sur une base de données de test. Exécutez une requête de plus proche voisin pour vos dix pages les plus importantes et lisez les résultats. Si les voisins ont du sens pour un éditeur humain, vous avez la base pour les vérifications de doublons, le maillage interne et une couche de récupération pour tout assistant que vous construirez plus tard.
Gardez le premier résultat petit et révisable. Une liste propre d’articles qui se chevauchent, sur laquelle on agit, vaut mieux qu’un tableau de bord que personne n’ouvre.
Continuer la lecture : Optimisation par IA · Optimisation par IA