La saisie semi-automatique est une fonctionnalité de recherche assistée qui permet aux utilisateurs d'atteindre plus vite leur objectif, en leur suggérant des requêtes ou des documents potentiels vers lesquels ils peuvent accéder directement au fur et à mesure qu'ils formulent leur requête. Glean est capable de faire remonter de nombreux types de contenu, tels que des suggestions de requêtes, des documents, des opérateurs et des résultats structurés, comme des personnes et des équipes, chaque type de contenu offrant à l'utilisateur une modalité unique pour accélérer sa recherche.
Quel que soit le contenu affiché dans le menu déroulant, une chose reste constante : nous voulons faire remonter ces résultats à l'utilisateur au fur et à mesure qu'il tape, avec un délai quasi nul. Comme nous ne pouvons pas simplement lancer une recherche après chaque frappe (car cela ne répondrait pas à notre exigence de latence quasi nulle), l'équipe Search Features de Glean a conçu la saisie semi-automatique de A à Z pour garantir une expérience fluide. Aujourd'hui, la saisie semi-automatique contribue déjà à réduire de 40 % notre temps moyen de satisfaction. Cet article de blog abordera les défis techniques liés à la génération de suggestions rapides et utiles, les succès que nous avons obtenus à ce jour, ainsi que les domaines de développement actifs pour l'équipe.
Développer des suggestions de requêtes pour les « petites données »
Suggérer des requêtes potentielles pendant que l'utilisateur tape est la forme de saisie semi-automatique la plus familière sur le web ouvert. Les suggestions de requêtes peuvent aider l'utilisateur de deux façons : 1) lui faire gagner du temps en lui évitant de saisir sa requête complète, et 2) l'aider à formuler une (meilleure) requête qui a plus de chances de lui fournir l'information qu'il recherche réellement.
Une pratique courante parmi les moteurs de recherche publics consiste à exploiter le simple volume de requêtes pour générer des suggestions de requêtes. Par exemple, un moteur peut marquer une requête comme suggestion publique dès qu'elle a été émise par plus de 100 000 utilisateurs uniques, un seuil assez raisonnable lorsque le moteur compte plus de 100 millions d'utilisateurs.
Malheureusement, la même technique appliquée au contexte de l'entreprise se révélera insuffisante. La plupart des entreprises comptent bien moins de 100 000 employés au total, et les requêtes en entreprise ont empiriquement environ 3 fois moins de chances d'être répétées par rapport au web public. Bien qu'il soit certainement possible de générer des suggestions à partir de volumes de requêtes plus faibles, le système ne sera pas en mesure de générer autant de candidats de requêtes de haute qualité, ce qui, dans le pire des cas, pourrait même aboutir à des suggestions portant atteinte à la confidentialité. De plus, chaque lancement avec un nouveau client souffrirait du « problème du démarrage à froid » : un tel système ne disposerait pas encore d'informations suffisantes sur le comportement des utilisateurs pour en tirer des inférences utiles.
Chez Glean, nous avons plutôt concentré nos efforts sur l'extraction de requêtes à partir de documents déjà indexés. Bien que cette approche contourne certains des problèmes évoqués ci-dessus, elle ne va pas sans défis. Tout d'abord, les requêtes extraites doivent tenir compte des autorisations afin qu'aucune information sensible ne soit divulguée. Par ailleurs, le langage utilisé dans un document ne constitue pas nécessairement une bonne requête, le langage du document doit donc être traduit dans un espace de requêtes. Enfin, les requêtes extraites doivent être notées et classées les unes par rapport aux autres afin que le système puisse renvoyer un ensemble gérable de suggestions à l'utilisateur. La traduction et la notation sont deux problèmes ouverts sur lesquels l'équipe Search Features continue d'itérer, chacun étant essentiel à la qualité globale des suggestions de requêtes.
Des suggestions de documents intelligentes
Dans 25 % des cas, les utilisateurs viennent sur Glean pour accéder rapidement à un document dont ils savent qu'il existe : une tâche sur laquelle ils travaillent, un document qu'ils se souviennent avoir lu la semaine dernière, ou un support de présentation récemment présenté lors d'une réunion générale de l'entreprise. L'équipe Autocomplete a l'occasion unique de concevoir une expérience utilisateur exceptionnelle en montrant à l'utilisateur le document qu'il recherchait, sans qu'il ait à appuyer sur Entrée !
Parce que l'espace documentaire est relativement restreint dans un contexte d'entreprise, nous sommes en mesure d'amener directement les utilisateurs vers les documents depuis la saisie semi-automatique. Comme pour Glean Search et les suggestions de requêtes, nous veillons à respecter les autorisations sous-jacentes de chaque document et à ne suggérer un document à un utilisateur que s'il y a déjà accès.
Un espace documentaire restreint ne signifie pas pour autant qu'il soit facile pour le système de trouver le document exact que l'utilisateur recherche. Parce que les utilisateurs s'attendent à ce que la saisie semi-automatique soit quasi instantanée, le système ne peut pas se permettre d'effectuer l'ensemble complet des calculs que Glean Search peut réaliser pour trouver le résultat le plus utile. Pour répondre à ces exigences, nous avons développé un modèle à faible latence pour prédire quels documents un utilisateur consultera ensuite. Au fur et à mesure que l'utilisateur tape, nous filtrons et classons davantage l'ensemble de documents prédits en comparant la saisie aux mots-clés extraits de chaque document de l'ensemble. Cette étape évite que des suggestions bruitées et difficiles à expliquer ne remontent jusqu'à l'utilisateur.
Malgré cela, plusieurs documents de l'ensemble prédit finissent souvent par avoir des mots-clés similaires. Si un utilisateur est affecté au Projet X, il y a de fortes chances que la plupart des documents, tickets et présentations de l'ensemble soient préfixés par « Projet X : » ! De plus, la plupart des utilisateurs ont tendance à ne regarder que les premières suggestions de la liste. Ainsi, concevoir un classement optimal de cette liste devient une tâche aussi importante que complexe.
La bonne nouvelle, c'est que lorsqu'elles sont bien faites, les suggestions de documents peuvent réduire considérablement les frictions pour l'utilisateur. Nous constatons aujourd'hui que près d'un cinquième de nos clics sur les résultats proviennent de la saisie semi-automatique. En revanche, environ la moitié de tous les utilisateurs qui voient une suggestion de document cliquent dessus : il nous reste encore beaucoup de chemin à parcourir !
Une meilleure saisie semi-automatique signifie pouvoir trouver les choses plus rapidement pour nos clients d'entreprise, et nous cherchons constamment à améliorer nos systèmes de saisie semi-automatique chez Glean. Si l'intersection entre le classement et la performance vous intéresse, n'hésitez pas à nous contacter au sujet des carrières chez Glean ! Et si une recherche d'entreprise puissante vous semble être exactement ce dont votre équipe a besoin, demandez une démo.
