La recherche d’informations est le processus qui consiste à trouver et à classer des informations pertinentes au sein d’un vaste ensemble de données en réponse à une requête. Plutôt que de renvoyer un enregistrement exact unique, un système de recherche d’informations explore des sources non structurées comme des documents, des pages web et des messages, puis classe les résultats selon leur adéquation avec votre demande.
Vous interagissez avec la recherche d’informations tous les jours. Elle alimente les moteurs de recherche web, les bibliothèques numériques, la recherche de produits e-commerce et la recherche d’entreprise dans l’ensemble des outils internes d’une société. Elle sert aussi de socle à l’IA moderne : la génération augmentée par la recherche (RAG) utilise une étape de recherche d’informations pour fournir aux grands modèles de langage le bon contexte avant qu’ils ne répondent.
Pour les organisations, la qualité de la recherche d’informations détermine la rapidité avec laquelle les collaborateurs trouvent des réponses exactes plutôt que des réponses obsolètes ou incomplètes. La recherche de travail Glean applique ces principes à plus de 250 applications d’entreprise connectées, en renvoyant des résultats tenant compte des autorisations, cités, et ancrés dans la connaissance de votre entreprise. Ce guide explique comment fonctionne la recherche d’informations, les modèles et composants qui la sous-tendent, comment sa qualité est mesurée et vers où le domaine se dirige.
Types de modèles de recherche d’informations
Les modèles de recherche d’informations (IR) sont des modèles mathématiques utilisés pour récupérer des informations pertinentes à partir d’un vaste ensemble de données. Voici quelques-uns des modèles IR couramment utilisés :
Modèle booléen
Le modèle booléen est le type de modèle IR le plus simple et le plus basique. Il repose sur l’algèbre booléenne et utilise des opérateurs logiques (AND, OR, NOT) pour récupérer les documents pertinents. Dans ce modèle, la requête est représentée sous forme d’expression booléenne, et le moteur de recherche renvoie tous les documents qui satisfont l’expression.
Modèle espace vectoriel
Le modèle espace vectoriel (VSM) est un modèle IR largement utilisé qui représente les documents et les requêtes sous forme de vecteurs dans un espace multidimensionnel. Dans ce modèle, chaque terme du document ou de la requête est représenté comme une dimension de l’espace. La similarité entre les vecteurs de la requête et du document est utilisée pour récupérer les documents pertinents.
Modèle probabiliste
Le modèle probabiliste repose sur l’hypothèse que la pertinence d’un document par rapport à une requête est une fonction probabiliste. Le modèle utilise des techniques statistiques pour estimer la probabilité de pertinence et récupère les documents en fonction de leur probabilité de pertinence.
Modèle de langue
Le modèle de langue repose sur l’hypothèse qu’un document est une séquence de mots générée par un modèle de langage probabiliste. Dans ce modèle, la requête est également représentée comme un modèle de langage, et le moteur de recherche récupère les documents en fonction de leur similarité avec le modèle de langue de la requête.
Chacun de ces modèles a ses propres forces et faiblesses, et convient à différents types d’applications. Le choix du modèle IR dépend des exigences spécifiques de l’application et du type de données faisant l’objet de la recherche.
Les systèmes modernes s’appuient rarement sur un seul modèle. Ils combinent une recherche clairsemée, basée sur des mots-clés, avec une recherche dense, neuronale, dans une approche hybride qui capture à la fois les correspondances exactes et le sens sémantique. Glean utilise ce type de recherche hybride, en associant un algorithme de recherche lexicale à un modèle de langage auto-apprenant, afin que les messages Slack courts comme les documents longs soient correctement classés.
Principaux composants d’un système de recherche d’informations
Un système de recherche d’informations est un programme logiciel qui récupère des informations à partir d’un ensemble de documents. Les principaux composants d’un système de recherche d’informations comprennent :
1. Collection de documents
La collection de documents est l’ensemble des documents que le système de recherche d’informations parcourt pour trouver des informations pertinentes. La collection peut être stockée sur un ordinateur local ou sur un serveur distant.
2. Indexation
L’indexation est le processus de création d’un index des mots dans la collection de documents. L’index est utilisé pour trouver rapidement les documents qui contiennent des mots ou des expressions spécifiques. Le processus d’indexation implique la tokenisation, la racinisation (stemming) et la suppression des mots vides (stop words).
3. Processeur de requêtes
Le processeur de requêtes est chargé de traiter les requêtes des utilisateurs et de récupérer les documents pertinents à partir de la collection de documents. Le processeur de requêtes utilise l’index pour trouver rapidement les documents qui correspondent à la requête.
4. Algorithme de classement
L’algorithme de classement est utilisé pour déterminer la pertinence de chaque document par rapport à la requête de l’utilisateur. Il attribue un score à chaque document en fonction de facteurs tels que la fréquence des termes de la requête dans le document, l’emplacement des termes de la requête dans le document et la popularité du document.
5. Interface utilisateur
L’interface utilisateur est le composant du système de recherche d’informations qui permet aux utilisateurs d’interagir avec le système. L’interface utilisateur peut prendre de nombreuses formes, notamment une interface en ligne de commande, une interface web ou une interface graphique.
Dans l’ensemble, ces composants travaillent de concert pour offrir aux utilisateurs un accès rapide et précis aux informations pertinentes. Dans un contexte d’entreprise, ils s’étendent à de nombreux outils : Glean construit un Enterprise Graph qui indexe le contenu, l’activité et l’identité de plus de 250 applications, puis applique un classement tenant compte des autorisations afin que les résultats reflètent à la fois la pertinence et ce que chaque utilisateur est autorisé à voir.
5 cas d’usage de la recherche d’informations au sein d’une organisation
La recherche d’informations (IR) est un aspect crucial de toute organisation ou entreprise qui traite de grands volumes de données. Voici cinq cas d’usage de l’IR qui peuvent contribuer à améliorer la productivité et l’efficacité au sein d’une organisation :
- Gestion documentaire : l’IR peut gérer et organiser les documents au sein d’une organisation. Cela inclut l’indexation, la recherche et la récupération de documents sur la base de mots-clés, de tags ou d’autres métadonnées. Grâce à l’IR, les collaborateurs peuvent facilement localiser les informations dont ils ont besoin, réduisant le temps et les efforts nécessaires pour trouver les documents pertinents.
- Service client : l’IR améliore le service client en fournissant des réponses rapides et précises aux demandes des clients. En utilisant l’IR pour récupérer des informations depuis une base de connaissances, les agents du service client peuvent rapidement trouver les informations dont ils ont besoin pour répondre aux questions, réduisant les temps d’attente et améliorant la satisfaction client.
- Analyse de données : l’IR peut analyser de grandes quantités de données et en extraire des insights pertinents. Cela inclut l’indexation et la recherche au sein des ensembles de données pour identifier des schémas, des tendances et des corrélations. Grâce à l’IR, les organisations peuvent rapidement identifier des axes d’amélioration et prendre des décisions fondées sur les données.
- E-Discovery : l’IR peut être utilisée dans le cadre de procédures judiciaires pour rechercher et récupérer des documents et informations pertinents. Cela inclut l’indexation et la recherche dans les e-mails, documents et autres données électroniques afin de trouver des preuves liées à une affaire. Grâce à l’IR, les équipes juridiques peuvent rapidement localiser et analyser les informations pertinentes, réduisant le temps et les coûts nécessaires à l’e-discovery.
- Recherche d’entreprise : l’IR peut créer une plateforme de recherche centralisée permettant aux employés d’effectuer des recherches sur plusieurs sources de données. Cela inclut l’indexation et la recherche dans les e-mails, documents, bases de données et autres sources d’information. Grâce à la recherche d’entreprise, les employés peuvent rapidement trouver l’information dont ils ont besoin, quel que soit l’endroit où elle est stockée.
Glean Search réunit ces cas d’usage en un seul endroit, permettant aux employés de rechercher dans les e-mails, les documents, les tickets et les conversations, avec des résultats cités qui respectent les autorisations existantes.
Articles associés :
Différence entre la recherche d’information et l’extraction de données
La recherche d’information (IR) et l’extraction de données (DR) sont deux concepts liés mais distincts dans le domaine de la gestion des données. Bien que les deux impliquent la recherche de données spécifiques, elles diffèrent par leur périmètre et leur objectif.
Définition
La recherche d’information est le processus visant à récupérer des informations pertinentes à partir d’un ensemble de données non structurées ou semi-structurées. Elle implique l’utilisation de moteurs de recherche ou d’autres systèmes de recherche d’information pour trouver des documents ou d’autres sources d’information correspondant à une requête donnée.
L’extraction de données, en revanche, est le processus consistant à récupérer des données spécifiques à partir d’une base de données structurée ou d’un autre système de stockage de données. Elle implique l’utilisation de requêtes ou d’autres techniques d’extraction de données pour extraire les données souhaitées d’un ensemble de données plus vaste.
Périmètre
Le périmètre de la recherche d’information est généralement plus large que celui de l’extraction de données. Les systèmes de recherche d’information sont conçus pour parcourir de grandes collections de données, telles qu’internet ou une bibliothèque numérique, et renvoyer un ensemble de documents pertinents ou d’autres sources d’information.
L’extraction de données, en revanche, se concentre généralement sur un ensemble de données ou une base de données spécifique. Elle récupère des éléments de données précis, tels que des noms de clients ou des chiffres de vente, à partir d’un ensemble de données plus vaste.
Objectif
L’objectif de la recherche d’information est d’aider les utilisateurs à trouver rapidement et efficacement des informations pertinentes. Elle est souvent utilisée dans des situations où l’utilisateur ne sait pas exactement ce qu’il cherche et doit explorer une grande collection de données pour trouver des informations pertinentes.
L’objectif de l’extraction de données, en revanche, est d’extraire des éléments de données spécifiques à des fins d’analyse ou de traitement. Elle est souvent utilisée dans des applications de business intelligence ou d’analyse de données, où l’utilisateur doit extraire des éléments de données spécifiques d’un ensemble de données plus vaste pour une analyse plus approfondie.
Glean prend en charge la partie « recherche d’information » de cette distinction. Glean Assistant récupère et classe les connaissances non structurées à travers vos outils, puis renvoie des réponses citées plutôt que des lignes brutes issues d’une base de données.
Comment mesurer la qualité de la recherche d’information
La qualité de la recherche d’information est principalement mesurée par trois métriques : la précision, le rappel et la mesure F. Chacune compare les résultats renvoyés par un système aux documents réellement pertinents pour une requête.
- La précision correspond à la part des documents récupérés qui sont pertinents. Si une recherche renvoie 10 résultats et que 7 sont utiles, la précision est de 70%.
- Le rappel correspond à la part de tous les documents pertinents que le système a effectivement récupérés. Si 20 documents pertinents existent et que la recherche en trouve 15, le rappel est de 75%.
- La mesure F est un score unique qui équilibre précision et rappel, afin qu’un système ne puisse pas paraître performant en favorisant l’un au détriment de l’autre.
Glean évalue la qualité de la récupération via une évaluation basée sur des LLM, en notant à la fois si le système a récupéré les documents les plus pertinents et s’il les a utilisés pour générer une réponse exacte.
Tendances émergentes en recherche d’information
Dans un domaine de la recherche d’information en constante évolution, on observe un net déplacement vers des techniques plus nuancées et sophistiquées. Ces méthodes promettent une meilleure précision et une meilleure expérience utilisateur pour trouver les informations pertinentes.
Recherche sémantique
La recherche sémantique va au-delà de la correspondance de mots-clés pour comprendre l’intention et le sens contextuel derrière la requête d’un utilisateur. Elle utilise le traitement automatique du langage naturel (NLP) et des technologies sémantiques pour comprendre la requête d’une manière plus proche de celle d’un humain. Cette approche permet d’établir un lien entre les termes de recherche et la compréhension conceptuelle de ces termes.
Approches de machine learning
Le machine learning transforme la recherche d’information en permettant aux systèmes d’apprendre à partir des données et de s’améliorer au fil du temps. Des modèles prédictifs et des algorithmes sont entraînés pour améliorer la pertinence de la recherche, la personnalisation et fournir de meilleures recommandations. Des techniques comme l’apprentissage supervisé pour la classification et l’apprentissage non supervisé pour développer des modèles thématiques jouent un rôle clé dans l’amélioration des systèmes de recherche.
Recherche d’information multimédia
La recherche d’information multimédia répond au besoin croissant de rechercher et de gérer efficacement différents types de contenus, tels que des images, des vidéos et de l’audio. Les innovations dans ce domaine utilisent des techniques de recherche basées sur le contenu, où le contenu lui-même est analysé afin d’extraire des caractéristiques comme la couleur, la texture ou la forme. En outre, les métadonnées et les systèmes d’étiquetage automatique sont essentiels pour faciliter des capacités de recherche affinées au sein de bases de données multimédias.
Recherche d’information en IA et RAG
La recherche d’information sert désormais d’ancrage aux grands modèles de langage (LLM) via la génération augmentée par récupération (RAG), une technique qui récupère un contexte pertinent à partir d’une source de connaissances et l’alimente dans un modèle avant que celui-ci ne génère une réponse. Sans cette étape de récupération, un modèle s’appuie uniquement sur ses données d’entraînement et est susceptible d’halluciner ou de ne rien citer du tout.
Pour les entreprises, la qualité de la récupération détermine la qualité des réponses. Glean Assistant utilise une récupération tenant compte des autorisations pour n’extraire que les documents qu’un utilisateur est autorisé à voir, puis renvoie des réponses citées, ancrées dans les connaissances de votre entreprise, afin que les employés puissent vérifier chaque réponse. La recherche de Glean sur le raisonnement agentique a montré que cette approche augmentait de 24% la pertinence des réponses et des actions. Pour en savoir plus, consultez la présentation de Glean sur le raisonnement agentique et l’avenir de Work AI.
Tirer le meilleur parti de l’IA générative
L’IA générative n’est fiable qu’à la hauteur des capacités de recherche d’information qui la sous-tendent. Glean ancre la genAI dans la connaissance de votre entreprise, grâce à une recherche tenant compte des autorisations et à des réponses sourcées, afin que les employés obtiennent des réponses auxquelles ils peuvent faire confiance et qu’ils peuvent vérifier.
Glean se connecte aux applications d’entreprise via plus de 250 connecteurs, en indexant les contenus tout en respectant les autorisations existantes de chaque source. Le bénéfice est mesurable : les employés déclarent que l’IA leur fait gagner 11 heures par semaine, selon le Work AI Index 2026 de Glean. Prêt à le voir avec vos propres données ? Demandez une démo Glean pour découvrir comment la recherche d’information et l’IA peuvent fonctionner à travers vos outils.
Questions fréquentes
Quelle est la différence entre la recherche d’information et un moteur de recherche ?
Un moteur de recherche est un système de recherche d’information appliqué, tandis que la recherche d’information est la science sous-jacente qui consiste à trouver et classer des données pertinentes. Chaque moteur de recherche, de Google à Glean Search, s’appuie sur des principes de recherche d’information.
Quels sont les principaux types de modèles de recherche d’information ?
Les principaux modèles sont les modèles booléens, à espace vectoriel, probabilistes et les modèles de langage. Les systèmes modernes combinent souvent des modèles « sparse » et neuronaux dans une recherche hybride pour une meilleure pertinence.
Comment la recherche d’information est-elle utilisée en IA et en RAG ?
Dans la génération augmentée par récupération (RAG), la recherche d’information fournit le contexte pertinent dont un grand modèle de langage a besoin pour répondre avec précision. Glean utilise une recherche tenant compte des autorisations pour ancrer ses réponses dans la connaissance de votre entreprise et citer chaque source.
Comment mesure-t-on les performances de la recherche d’information ?
Les performances de la recherche d’information se mesurent avec la précision, le rappel et la F-mesure. La précision suit la part des résultats récupérés qui sont pertinents, le rappel suit la part des résultats pertinents qui ont été trouvés, et la F-mesure équilibre les deux.
La recherche d’information est-elle la même chose que l’extraction de données ?
Non. La recherche d’information interroge des données non structurées et classe les résultats par pertinence, tandis que l’extraction de données récupère des correspondances exactes à partir de bases de données structurées.
