Les bases de données vectorielles stockent des embeddings, qui sont des listes de nombres représentant la signification de textes, d’images ou de produits, et trouvent rapidement des éléments ayant une signification similaire. En marketing, ils alimentent la recherche sémantique sur le site, les recommandations de contenu, la détection de doublons, les suggestions de liens internes et la récupération pour les assistants AI. Passer d’un projet pilote à la production signifie principalement réussir la préparation des données, le choix du modèle, l’évaluation et les coûts.
Un modèle d’embedding, tel que les modèles de text-embedding d’OpenAI, les embeddings de Google Gemini, Cohere Embed ou des modèles ouverts de la famille sentence-transformers, transforme un morceau de texte en un vecteur de quelques centaines à quelques milliers de nombres. Les textes ayant une signification similaire finissent par être proches les uns des autres dans cet espace, de sorte que “vols pas chers pour Antalya” et “billets à bas prix Antalya” se situent à proximité même s’ils partagent peu de mots. Une base de données vectorielle indexe ces vecteurs et répond à “qu’est-ce qui est le plus proche de ceci ?” en quelques millisecondes.
Avez-vous besoin d’une base de données vectorielle dédiée ?
Pas toujours. Les options se répartissent en trois groupes.
- Extensions pour les bases de données que vous utilisez déjà : pgvector pour PostgreSQL, recherche vectorielle dans MySQL HeatWave, MongoDB Atlas Vector Search, recherche vectorielle Redis.
- Moteurs de recherche avec support vectoriel : Elasticsearch, OpenSearch et services de recherche hébergés tels qu’Algolia.
- Bases de données vectorielles dédiées : Pinecone, Weaviate, Qdrant, Milvus et Chroma.
Pour un projet pilote avec des dizaines ou des centaines de milliers d’éléments, une extension comme pgvector suffit généralement et évite un nouveau système. Les bases de données dédiées sont logiques à grande échelle, avec des besoins de filtrage importants, ou lorsqu’une équipe souhaite un hébergement géré avec des fonctionnalités spécifiques aux vecteurs.
Quels cas d’utilisation marketing méritent un projet pilote ?
Recherche sémantique sur le site
Les visiteurs tapent ce qu’ils veulent dire, pas les noms de vos produits. La recherche basée sur les embeddings trouve des éléments pertinents pour des requêtes vagues ou mal orthographiées. La combiner avec la recherche par mots-clés, appelée recherche hybride, surpasse généralement les deux méthodes séparément.
Contenu et produits connexes
Blocs “Vous pourriez aussi aimer” basés sur la signification plutôt que sur des tags partagés. Utile pour les blogs avec des milliers d’articles où le marquage manuel est incohérent.
Détection des doublons et de la cannibalisation
L’intégration de chaque page révèle des clusters d’articles presque identiques ciblant le même sujet. Ce sont des candidats pour une fusion ou une redirection.
Suggestions de liens internes
Pour chaque page, les voisins sémantiques les plus proches sont des cibles de liens naturelles. Un éditeur choisit toujours les liens qui conviennent.
Récupération pour les assistants AI
La génération augmentée par récupération dépend de la recherche des bons passages ; l’index vectoriel est cette couche de récupération.
Liste de contrôle du projet pilote
- Définissez un cas d’utilisation et une mesure de succès, comme le taux de sortie de recherche ou les clics sur les éléments connexes.
- Nettoyez les données sources : supprimez le boilerplate, le texte de navigation, les avis de cookies et les doublons avant l’embedding.
- Décidez de l’unité : pages entières, sections ou paragraphes. Les pages longues ont souvent besoin d’être divisées en morceaux.
- Choisissez un modèle d’embedding et testez-le dans vos langues ; les performances multilingues varient.
- Stockez les métadonnées avec chaque vecteur : URL, langue, date, catégorie, disponibilité du produit.
- Construisez un ensemble de test de 50 à 100 requêtes réelles avec les résultats attendus par un expert humain.
- Comparez la recherche vectorielle, par mots-clés et hybride sur cet ensemble de test avant le lancement.
Qu’est-ce qui ne va pas entre le projet pilote et la production ?
Les projets pilotes fonctionnent souvent sur un instantané propre. La production a des données en direct, et c’est là que les problèmes apparaissent.
- Vecteurs obsolètes : le contenu change mais pas les embeddings. Ré-intégrez lors de la publication et de la mise à jour.
- Changements de modèle : les vecteurs de différents modèles d’embedding ne sont pas comparables. Changer de modèle signifie tout ré-intégrer.
- Filtrage : les utilisateurs attendent des résultats limités à leur langue, région ou articles en stock ; les filtres doivent faire partie de la requête, pas être appliqués après.
- Croissance des coûts : l’embedding est bon marché par élément mais s’additionne avec une ré-indexation fréquente ; les coûts de stockage et de requête augmentent avec le volume.
- Mélange multilingue : une requête en turc correspondant à des pages en anglais peut être techniquement correcte mais inutile ; filtrez par langue à moins que des résultats inter-langues ne soient prévus.
Liste de contrôle de production
- Automatisez l’embedding lors des événements de création, mise à jour et suppression de contenu.
- Versionnez le modèle d’embedding et stockez la version avec chaque vecteur.
- Surveillez la latence des requêtes et la qualité des résultats avec l’ensemble de test selon un calendrier.
- Enregistrez les requêtes sans résultat et à faible similarité ; elles révèlent le contenu manquant.
- Configurez le contrôle d’accès si l’index contient quelque chose qui n’est pas public.
- Documentez la procédure de reconstruction afin qu’un changement de modèle soit une tâche planifiée, pas une urgence.
Comment Alien Road applique les bases de données vectorielles et les embeddings
Dans une mission typique, notre équipe d’optimisation AI utilise les embeddings d’abord pour l’analyse de contenu, puis pour les fonctionnalités orientées utilisateur. La découverte commence par un crawl du site du client et un inventaire du contenu et des données produits, y compris les langues et la fréquence de mise à jour.
La configuration commence généralement sur la base de données existante du client avec une extension vectorielle, ce qui maintient l’infrastructure simple. Nous nettoyons et découpons le contenu, nous l’intégrons et nous effectuons les premières analyses : clusters de doublons, pages orphelines sans liens internes et sujets avec une faible couverture. Ces résultats alimentent directement les plans SEO et de contenu.
Pour la recherche ou les recommandations orientées utilisateur, nous construisons l’ensemble de test de requêtes avec l’équipe du client et comparons les approches avant d’activer quoi que ce soit. La mesure suit les taux de sortie de recherche, les clics sur les recommandations et les conversions des utilisateurs de recherche. Les rapports mensuels incluent les principales requêtes sans résultat comme liste de tâches de contenu.
Comment évaluer la qualité des résultats sans équipe de science des données ?
Restez simple et reproductible. Pour chaque requête de test, listez les trois à cinq résultats qu’un expert attendrait. Exécutez la requête et notez combien d’entre eux apparaissent dans les cinq premiers résultats. Faites la moyenne des requêtes et comparez les approches sur ce chiffre unique. Relancez après chaque changement de découpage, de modèle ou de classement.
Ajoutez une vérification de bon sens en lisant les résultats. Les chiffres peuvent masquer un comportement étrange, comme une page très longue apparaissant pour chaque requête car son embedding se situe près du centre de tout.
Combien coûte une configuration vectorielle ?
Pour un site avec quelques milliers de pages, les coûts sont modestes. L’intégration de tout le contenu une fois via une API commerciale coûte généralement peu, et le stockage dans une base de données PostgreSQL existante avec pgvector n’ajoute presque rien. Les coûts augmentent avec le volume, la fréquence de ré-indexation et le trafic de requêtes, et les bases de données vectorielles gérées facturent par stockage, calcul ou requêtes selon le plan. Estimez avec vos propres chiffres : éléments, longueur moyenne, taux de mise à jour et recherches attendues par jour, puis vérifiez les pages de prix actuelles.
Par où commencer cette semaine
Exportez les titres et les premiers paragraphes de vos 500 pages les plus visitées. Intégrez-les avec n’importe quel modèle d’embedding courant, en utilisant un script court ou un notebook, et trouvez les paires avec la plus grande similarité. Lisez les vingt premières paires. Si plusieurs sont des articles quasi-doublons en concurrence pour la même requête de recherche, vous avez une tâche concrète de nettoyage de contenu et une preuve fonctionnelle de ce que les embeddings peuvent montrer.
Continuer la lecture : Optimisation par IA · Optimisation par IA