{"id":46759,"date":"2024-06-27T21:35:17","date_gmt":"2024-06-27T21:35:17","guid":{"rendered":"https:\/\/www.bloomreach.com\/library\/the-power-of-hybrid-vector-search-in-ecommerce"},"modified":"2024-08-01T13:16:02","modified_gmt":"2024-08-01T13:16:02","slug":"les-avantages-de-la-recherche-vectorielle-hybride-en-e-commerce","status":"publish","type":"library","link":"https:\/\/www.bloomreach.com\/fr\/blog\/les-avantages-de-la-recherche-vectorielle-hybride-en-e-commerce","title":{"rendered":"Les Avantages de la Recherche Vectorielle Hybride en E-Commerce"},"content":{"rendered":"\n

Dans le domaine de l’e-commerce, les solutions de recherche sur site r\u00e9pondent souvent \u00e0 deux types d’acheteurs distincts : le \u00a0\u00bb chercheur \u00ab\u00a0, qui sait exactement ce qu’il veut, et le \u00a0\u00bb chercheur \u00ab\u00a0, qui navigue pour trouver ce dont il a besoin. Historiquement, l’optimisation pour un type d’acheteur s’est souvent faite au d\u00e9triment de l’autre.

Cependant, les progr\u00e8s r\u00e9cents de l’intelligence artificielle<\/a>, en particulier les mod\u00e8les de langage, nous permettent d’atteindre un \u00e9quilibre parfait, r\u00e9pondant aux besoins de chaque consommateur. Ce billet explore l’\u00e9volution de la recherche en e-commerce et la fa\u00e7on dont l’e-commerce exploite les technologies de pointe pour am\u00e9liorer les fonctionnalit\u00e9s de recherche.<\/p>\n\n\n\n

Pr\u00e9cision et rappel dans la recherche<\/h2>\n\n\n\n

Les moteurs de recherche du secteur de l’e-commerce mettent g\u00e9n\u00e9ralement l’accent sur la pr\u00e9cision ou l’\u00e9tendue du rappel. Si une marque privil\u00e9gie la pr\u00e9cision, le moteur de recherche n’affichera que les r\u00e9sultats qui correspondent exactement \u00e0 la requ\u00eate dans le corpus de produits, souvent au d\u00e9triment d’un ensemble de r\u00e9sultats plus large. Par exemple, si quelqu’un recherche une \u00ab\u00a0veste en cuir rouge\u00a0\u00bb, une recherche ax\u00e9e sur la pr\u00e9cision n’affichera aucun r\u00e9sultat qui ne contienne pas la combinaison \u00ab\u00a0rouge\u00a0\u00bb, \u00ab\u00a0cuir\u00a0\u00bb et \u00ab\u00a0veste\u00a0\u00bb dans la description.<\/p>\n\n\n\n

La recherche pr\u00e9cise rencontre \u00e9galement des probl\u00e8mes avec les requ\u00eates \u00e0 longue tra\u00eene. Si vous cherchez \u00ab\u00a0veste en cuir rouge pour un \u00e9v\u00e9nement en plein air\u00a0\u00bb, vous obtiendrez probablement tr\u00e8s peu de r\u00e9sultats (voire aucun). Cela est d\u00fb au fait que l’on ne trouve pas de correspondance exacte pour tous les termes du corpus de produits (qui peut \u00eatre simplement un titre + une courte description d’un produit). M\u00eame avec des algorithmes comme la relaxation des requ\u00eates, cela conduit \u00e0 une d\u00e9gradation non graduelle de la pr\u00e9cision par rapport \u00e0 l’\u00e9tendue du rappel.<\/p>\n\n\n\n

\"Chart<\/figure>\n\n\n\n

\u00c0 l’inverse, si une marque donne la priorit\u00e9 \u00e0 l’\u00e9tendue du rappel en utilisant une technologie comme la recherche vectorielle aliment\u00e9e par l’int\u00e9gration, vous aurez plus de r\u00e9sultats \u00e0 afficher, mais il peut y avoir plus de bruit dans l’ensemble de rappel avec des produits non pertinents. Ainsi, pour reprendre l’exemple de la \u00ab\u00a0veste en cuir rouge\u00a0\u00bb, vous obtiendrez peut-\u00eatre des r\u00e9sultats pour des vestes qui ne sont pas rouges, ou qui ne sont pas de la bonne mati\u00e8re, ou m\u00eame pour des articles qui ne sont pas exactement des vestes mais qui y ressemblent (comme une chemise).<\/p>\n\n\n\n

\"Chart<\/figure>\n\n\n\n

Aucune de ces options de recherche n’est id\u00e9ale, car elles favorisent fortement un type d’acheteur par rapport \u00e0 un autre. Le \u00ab\u00a0Saint Graal\u00a0\u00bb des moteurs de recherche est d’exceller \u00e0 la fois dans la pr\u00e9cision et le rappel. Vous devez \u00eatre pr\u00e9cis, mais aussi suffisamment intuitif pour comprendre ce que les gens recherchent, m\u00eame s’ils ne l’ont pas sp\u00e9cifiquement cherch\u00e9.<\/p>\n\n\n\n

\"Hybrid<\/figure>\n\n\n\n

Quel est le classement de Bloomreach ?<\/h3>\n\n\n\n

Chez Bloomreach, notre moteur de recherche a essay\u00e9 d’\u00e9quilibrer cela en combinant les m\u00e9thodes de pr\u00e9cision et de rappel. Nos capacit\u00e9s de compr\u00e9hension s\u00e9mantique<\/a> nous ont permis d’analyser les requ\u00eates de recherche et de fournir des r\u00e9sultats pertinents. Lorsque l’ensemble de rappels \u00e9tait trop faible, nous nous tournions vers des algorithmes tels que la relaxation des requ\u00eates<\/a> pour afficher davantage de r\u00e9sultats.<\/p>\n\n\n\n

Par exemple, pour la requ\u00eate \u00ab\u00a0veste en cuir rouge\u00a0\u00bb, notre recherche s\u00e9mantique peut d\u00e9composer les termes pour comprendre que \u00ab\u00a0rouge\u00a0\u00bb est l’attribut, \u00ab\u00a0cuir\u00a0\u00bb est le mat\u00e9riau et \u00ab\u00a0veste\u00a0\u00bb est l’objet. Il peut \u00e9galement y avoir des r\u00e8gles de synonymie en place, de sorte que \u00ab\u00a0vestes en cuir cramoisi\u00a0\u00bb apparaissent \u00e9galement.<\/p>\n\n\n\n

Cependant, lorsque nous nous tournons vers la relaxation des requ\u00eates, les r\u00e9sultats peuvent g\u00e9n\u00e9rer plus de bruit. Cela s’explique par le fait que nous nous sommes appuy\u00e9s sur des r\u00e8gles heuristiques telles que l’abandon de mots pour correspondre au corpus. Si \u00ab\u00a0veste en cuir rouge\u00a0\u00bb ne produit pas de r\u00e9sultats, par exemple, nous pourrions simplement sp\u00e9cifier que le moteur de recherche supprime \u00ab\u00a0rouge\u00a0\u00bb et affiche \u00ab\u00a0vestes en cuir\u00a0\u00bb \u00e0 la place.<\/p>\n\n\n\n

Cette approche pose un probl\u00e8me : s’il existe un produit similaire (par exemple, une \u00ab\u00a0veste en cuir bordeaux\u00a0\u00bb) qui n’est pas associ\u00e9 \u00e0 une r\u00e8gle de synonymie, il risque d’appara\u00eetre \u00e0 la page trois des r\u00e9sultats de recherche apr\u00e8s rel\u00e2chement de la requ\u00eate. Nous savions que nous devions am\u00e9liorer notre recherche pour la rendre plus sophistiqu\u00e9e, et c’est l\u00e0 que Google Vertex AI et la recherche vectorielle hybride entrent en jeu.<\/p>\n\n\n\n

Pourquoi la recherche vectorielle hybride est-elle la solution ?<\/h2>\n\n\n\n

Gr\u00e2ce \u00e0 notre partenariat avec Google<\/a>, nous pouvons d\u00e9sormais exploiter la puissance de leur plateforme Vertex AI et des mod\u00e8les de langage Gemini pour obtenir le meilleur des deux mondes : un large ensemble de rappels capable de comprendre les requ\u00eates courtes et longues, superpos\u00e9 \u00e0 notre puissante intelligence s\u00e9mantique pour obtenir des r\u00e9sultats tr\u00e8s pr\u00e9cis et pertinents sans avoir recours \u00e0 des m\u00e9thodes plus archa\u00efques telles que la relaxation des requ\u00eates. Regardons de plus pr\u00e8s comment tout cela fonctionne.<\/p>\n\n\n\n

Explication de la recherche vectorielle hybride<\/h3>\n\n\n\n

Avec un moteur de recherche hybride, les grands mod\u00e8les de langage (LLM) font le gros du travail, \u00e9liminant le besoin de synonymes pr\u00e9d\u00e9finis ou de r\u00e8gles d’assouplissement des requ\u00eates. Au lieu de cela, l’IA utilise des mod\u00e8les d’int\u00e9gration et la recherche vectorielle pour effectuer la mise en correspondance de la requ\u00eate avec le corpus de produits. Le mod\u00e8le d’int\u00e9gration est un r\u00e9seau neuronal qui a une compr\u00e9hension inh\u00e9rente des concepts humains, pr\u00e9-entra\u00een\u00e9 avec du texte, puis affin\u00e9 par Bloomreach pour fonctionner dans le domaine des produits. Cela permet de faire correspondre plus pr\u00e9cis\u00e9ment les requ\u00eates au niveau du concept humain avec les produits.<\/p>\n\n\n\n

Pour revenir \u00e0 notre exemple de \u00ab\u00a0veste en cuir rouge\u00a0\u00bb, les LLM ont une compr\u00e9hension inn\u00e9e de cette requ\u00eate en tant que concept, reconnaissant que \u00ab\u00a0rouge\u00a0\u00bb et \u00ab\u00a0bordeaux\u00a0\u00bb sont similaires, alors que \u00ab\u00a0veste\u00a0\u00bb et \u00ab\u00a0canap\u00e9\u00a0\u00bb ne le sont pas. Les attributs ne sont plus binaires (par exemple, le mot \u00ab\u00a0rouge\u00a0\u00bb figure-t-il dans le nom\/la description ou non ?) – le r\u00e9seau neuronal attribue un score entre 0 et 1 pour d\u00e9terminer la proximit\u00e9 d’une correspondance.<\/p>\n\n\n\n

Cela signifie que \u00ab\u00a0veste en cuir rouge\u00a0\u00bb et \u00ab\u00a0veste en cuir bordeaux\u00a0\u00bb peuvent avoir un score de 0,98, alors qu’un \u00ab\u00a0canap\u00e9 en cuir rouge\u00a0\u00bb aura un score de 0,5, qui sera inf\u00e9rieur au seuil de notre ensemble de rappel, et donc \u00e9limin\u00e9 de l’ensemble de rappel.<\/p>\n\n\n\n

\"How<\/figure>\n\n\n\n

Si l’on va plus loin, la diff\u00e9rence essentielle dans l’int\u00e9gration de mod\u00e8les d’IA linguistique est qu’il n’est pas n\u00e9cessaire de recourir \u00e0 un NLP bas\u00e9 sur un algorithme heuristique. En un sens, il n’y a pas d’instructions \u00ab\u00a0si\u00a0\u00bb dans l’algorithme. L’int\u00e9gration est g\u00e9n\u00e9r\u00e9e par le r\u00e9seau neuronal au moyen d’un ensemble d’op\u00e9rations math\u00e9matiques matricielles. Chaque aspect d’une requ\u00eate de recherche est cartographi\u00e9 dans un espace \u00e0 haute dimension, en consid\u00e9rant chaque mot par rapport \u00e0 tous les autres mots et en attribuant une probabilit\u00e9 sous la forme d’un vecteur d’int\u00e9gration. L’int\u00e9gration r\u00e9sultante contient la repr\u00e9sentation num\u00e9rique du concept de \u00ab\u00a0veste en cuir rouge\u00a0\u00bb.<\/p>\n\n\n\n

Le r\u00e9sultat final est que nous avons d\u00e9bloqu\u00e9 des possibilit\u00e9s sans limites<\/em> pour d\u00e9livrer de la pertinence. Ceci est particuli\u00e8rement utile pour les requ\u00eates \u00e0 longue tra\u00eene – par exemple, avec une recherche de \u00ab\u00a0veste en cuir rouge adapt\u00e9e \u00e0 l’automne\u00a0\u00bb, l’IA peut intrins\u00e8quement mieux comprendre cette requ\u00eate et la faire correspondre avec le produit appropri\u00e9 dans le corpus du catalogue, qui peut \u00eatre une veste en cuir rouge plus l\u00e9g\u00e8re ou plus fine, mais qui ne mentionne pas le temps d’automne dans la description.<\/p>\n\n\n\n

Nous reconnaissons \u00e9galement que les mod\u00e8les d’int\u00e9gration et l’algorithme de mise en correspondance utilisant la similarit\u00e9 cosinus ont des limites. La dimensionnalit\u00e9 de l’int\u00e9gration est un type de compression qui prend des concepts et les compresse en 768 ou 1024 ou un ensemble plus \u00e9lev\u00e9 de dimensions vectorielles, ce qui peut introduire des erreurs de pr\u00e9cision lors de l’utilisation des scores de similarit\u00e9 cosinus. Le vecteur hybride est une m\u00e9thode qui utilise la correspondance lexicale classique comme signal de notation suppl\u00e9mentaire en combinaison avec les mod\u00e8les vectoriels et d’int\u00e9gration, ce qui permet d’atteindre le Saint-Graal de la pr\u00e9cision et de l’\u00e9tendue du rappel.<\/p>\n\n\n\n

L’avantage Bloomreach<\/h3>\n\n\n\n

Il est important de noter que, bien que nous ne soyons pas les seuls \u00e0 tirer parti de la technologie de Google, Bloomreach dispose d’un avantage certain par rapport \u00e0 tous ceux qui utilisent ces mod\u00e8les. En effet, nous avons affin\u00e9 les mod\u00e8les avec plus de 15 ans de donn\u00e9es sp\u00e9cifiques \u00e0 l’e-commerce, avec en point d’orgue le lancement de Loomi Search+<\/a>.<\/p>\n\n\n\n

\"Merchandiser<\/figure>\n\n\n\n

Lorsque les moteurs de recherche ne s’appuient que sur des mod\u00e8les d’int\u00e9gration classiques, les param\u00e8tres du mod\u00e8le peuvent \u00eatre optimis\u00e9s pour la recherche de documents g\u00e9n\u00e9riques. Ainsi, l’IA peut comprendre toutes les diff\u00e9rences entre \u00ab\u00a0airplanes\u00a0\u00bb et \u00ab\u00a0jets\u00a0\u00bb, mais peut ne pas comprendre les similitudes entre des produits tels que \u00ab\u00a0red leather jacket\u00a0\u00bb vs \u00ab\u00a0burgundy leather jacket\u00a0\u00bb.<\/p>\n\n\n\n

Loomi Search+ puise dans nos donn\u00e9es e-commerce \u00e9tendues, et nous avons affin\u00e9 nos LLM pour comprendre plus pr\u00e9cis\u00e9ment un large \u00e9ventail de produits de commerce. Nous avons combin\u00e9 ces mod\u00e8les affin\u00e9s avec la recherche lexicale classique comme un signal suppl\u00e9mentaire pour nous donner la meilleure pr\u00e9cision. Nous ne nous contentons pas de proposer une recherche vectorielle hybride, nous proposons une recherche vectorielle hybride hautement optimis\u00e9e pour les marques de commerce et leurs clients.<\/p>\n\n\n\n

Je suis tr\u00e8s enthousiaste \u00e0 l’id\u00e9e de voir le \u00ab\u00a0Saint Graal\u00a0\u00bb de la recherche se concr\u00e9tiser. Mais ce n’est pas la seule chose passionnante sur laquelle nous travaillons – ne manquez pas de consulter toutes les innovations de Bloomreach Discovery bas\u00e9es sur l’IA<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

Dans le domaine de l’e-commerce, les solutions de recherche sur site r\u00e9pondent souvent \u00e0 deux types d’acheteurs distincts : le \u00a0\u00bb chercheur \u00ab\u00a0, qui sait exactement ce qu’il veut, et le \u00a0\u00bb chercheur \u00ab\u00a0, qui navigue pour trouver ce dont il a besoin. Historiquement, l’optimisation pour un type d’acheteur s’est souvent faite au d\u00e9triment de […]<\/p>\n","protected":false},"author":127,"featured_media":42065,"template":"","ew-regions":[],"ew-solutions":[],"library_type":[75],"library_blog_tag":[381,355,417],"industry":[],"channel":[539,535,537,545],"topic":[550,691,688,558],"class_list":["post-46759","library","type-library","status-publish","has-post-thumbnail","hentry","library_type-blog","library_blog_tag-ia-et-innovation","library_blog_tag-commerce-experience","library_blog_tag-executive-insights-fr","channel-pages-de-resultats","channel-pages-de-categories","channel-pages-de-produits","channel-site-web","topic-ia","topic-augmenter-la-vmc","topic-commerce-experience","topic-efficacite-operationnelle"],"acf":{"library_blog_banner_content":"","library_blog_banner_cta1_text":"","library_blog_banner_cta1_href":"","library_blog_banner_cta1_new_tab":false,"library_blog_banner_cta2_text":"","library_blog_banner_cta2_href":"","library_blog_banner_cta2_new_tab":false,"library_blog_banner_bg_color":"#EAF7FE","library_blog_banner_cta_text_color":"#FFF","library_blog_banner_cta_bg_color":"#019ACE","library_blog_banner_cta2_text_color":"#000","library_blog_banner_cta2_bg_color":"#FFF","library_blog_chatgpt_content":"","library_blog_chatgpt_cta_href":"","library_blog_chatgpt_cta_text":"Ask ChatGPT"},"_links":{"self":[{"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/library\/46759","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/library"}],"about":[{"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/types\/library"}],"author":[{"embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/users\/127"}],"version-history":[{"count":1,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/library\/46759\/revisions"}],"predecessor-version":[{"id":46761,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/library\/46759\/revisions\/46761"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/media\/42065"}],"wp:attachment":[{"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/media?parent=46759"}],"wp:term":[{"taxonomy":"ew_regions","embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/ew-regions?post=46759"},{"taxonomy":"ew_solutions","embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/ew-solutions?post=46759"},{"taxonomy":"library_type","embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/library_type?post=46759"},{"taxonomy":"library_blog_tag","embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/library_blog_tag?post=46759"},{"taxonomy":"industry","embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/industry?post=46759"},{"taxonomy":"channel","embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/channel?post=46759"},{"taxonomy":"topic","embeddable":true,"href":"https:\/\/www.bloomreach.com\/fr\/wp-json\/wp\/v2\/topic?post=46759"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}