
La recherche hybride combine une recherche par mots-clés et une recherche sémantique fondée sur des vecteurs, puis fusionne leurs résultats dans une seule liste classée. Elle peut être utile lorsque les personnes interrogent une même base documentaire avec des identifiants précis et des descriptions qui reprennent peu de mots de la réponse. Son intérêt dépend des documents, des requêtes et des choix de classement.
Prenons une bibliothèque d’assistance. Une personne cherche un code d’erreur exact. Une autre décrit le même problème : « Je ne peux plus me connecter depuis que j’ai changé d’appareil. » Le moteur doit répondre aux deux besoins tout en respectant les versions du produit, les droits d’accès et les étapes de résolution pertinentes. Testez ces besoins séparément avant de décider si la combinaison justifie sa complexité supplémentaire.
La recherche par mots-clés classe les documents à partir des mots de la requête et du texte indexé. BM25 est une méthode courante de calcul du score. La recherche vectorielle compare des représentations numériques des requêtes et des documents, généralement produites par un modèle d’embedding. Elle peut retrouver des formulations proches par le sens, même si les mots diffèrent, mais ses résultats dépendent du modèle et de l’indexation.
La documentation Azure AI Search de Microsoft décrit une mise en œuvre hybride qui exécute des requêtes textuelles et vectorielles en parallèle, puis fusionne leurs classements. Les réglages varient selon les systèmes. Le principe commun consiste à exploiter plusieurs signaux de recherche, sans supposer qu’un seul convient à toutes les requêtes.
| Requête dans une base d’assistance | Ce qu’il faut préserver | Ce qu’il faut tester |
|---|---|---|
| « M42 » ou un identifiant de produit | Le code exact, le produit et sa version | La présence de la bonne référence avant les conseils généraux |
| « Impossible de me connecter après avoir changé d’appareil » | Le sens de la description | La capacité à retrouver des instructions formulées autrement |
| « M42 après un changement d’appareil » | L’identifiant et la situation | L’apport de la fusion sans reléguer la solution précise |
| Une question sur le compte d’une autre équipe | Les droits d’accès de la personne | L’exclusion des documents non autorisés dans chaque voie de recherche |
La recherche par mots-clés ne garantit pas une correspondance exacte. L’analyse du texte peut convertir les caractères en minuscules, supprimer la ponctuation ou découper un code en plusieurs termes. La documentation des requêtes term d’Elasticsearch distingue la recherche d’un terme indexé exact de la recherche dans un texte analysé. Si un identifiant doit correspondre littéralement, choisissez le type de champ et la requête en conséquence, puis testez les formats réellement utilisés. La similarité vectorielle ne remplace pas cette exigence.
Chaque moteur produit d’abord une liste de candidats. La recherche par mots-clés peut retourner les 50 premiers résultats et la recherche vectorielle 50 autres. Ces nombres illustrent un choix de conception ; ce ne sont pas des valeurs recommandées. Une fenêtre réduite peut omettre des documents utiles. Une fenêtre plus large demande davantage de traitement et peut introduire des candidats peu pertinents.
La fusion combine ensuite les listes. Une méthode fondée sur les rangs utilise la position des documents. Une méthode fondée sur les scores doit tenir compte des différentes échelles des moteurs. Additionner directement un score BM25 et une similarité vectorielle leur donne une relation arbitraire si leur signification et leur plage de valeurs ne sont pas prises en compte.
Le reclassement constitue une étape distincte et facultative qui réévalue les paires requête-document retenues. Le guide de recherche et de reclassement de Sentence Transformers décrit, par exemple, l’utilisation d’un cross-encoder après la recherche initiale. Ce traitement supplémentaire doit être évalué au regard des objectifs de qualité et de latence. Un modèle de reclassement ne peut pas sélectionner un document qu’il n’a jamais reçu.
La génération vient ensuite si l’application utilise un modèle de langage pour rédiger une réponse. La recherche hybride peut fournir les sources d’un système de génération augmentée par récupération, ou RAG, mais la qualité de la recherche et celle de la réponse doivent être contrôlées séparément. Un passage pertinent ne prouve pas que la réponse l’utilise correctement. Pour les enjeux plus larges de latence, consultez notre guide sur les performances du RAG à grande échelle.
La reciprocal rank fusion, ou RRF, combine des classements sans exiger que leurs scores utilisent la même échelle. Dans la forme à poids égaux décrite par la documentation RRF d’Elasticsearch, chaque liste apporte 1 / (c + rang) pour un document qu’elle contient. Les rangs commencent à 1. Un document absent d’une liste ne reçoit aucune contribution de celle-ci. La constante c détermine l’influence des écarts de position sur chaque contribution.
Utilisons la requête fictive « M42 à la connexion après un changement d’appareil ». Imaginons quatre documents : A est le guide de résolution spécifique à M42, B un guide général de récupération de compte mentionnant aussi M42, C une référence des événements M42 et D une procédure pour les liens de connexion expirés. Nous attribuons les classements suivants pour montrer le calcul. Ce sont des données inventées, pas des résultats obtenus avec un moteur de recherche ou un modèle d’embedding.
La liste par mots-clés est A, B, C. La liste vectorielle est B, D, A. Nous fixons c = 60 pour cet exemple. Elasticsearch utilise 60 comme constante par défaut, mais cela n’en fait pas le bon réglage pour toutes les applications.
| Ordre final | Document | Rang mots-clés | Rang vectoriel | Calcul RRF | Score RRF |
|---|---|---|---|---|---|
| 1 | B: Récupération générale du compte | 2 | 1 | 1/62 + 1/61 | 0,032522 |
| 2 | A: Résolution spécifique à M42 | 1 | 3 | 1/61 + 1/63 | 0,032266 |
| 3 | D: Liens de connexion expirés | Absent | 2 | 1/62 | 0,016129 |
| 4 | C: Référence des événements M42 | 3 | Absent | 1/63 | 0,015873 |
B arrive en tête parce qu’il figure parmi les premiers résultats des deux listes. A suit, malgré sa première place dans la recherche par mots-clés. Si une spécialiste de l’assistance juge que A fournit la solution directe et que B reste trop général, la fusion n’a pas placé la meilleure réponse en premier. Le calcul est correct ; le jugement de pertinence demande encore des éléments concrets.
Ces scores servent au classement. Ils ne sont pas des probabilités qu’un document soit pertinent ou exact. La fusion dépend aussi des candidats qu’elle reçoit. Si A était absent des deux listes, modifier la constante ne le ferait pas apparaître. Corrigez d’abord la recherche initiale, la préparation des documents ou le traitement de la requête.
Les deux voies de recherche doivent utiliser les versions de documents et le périmètre d’accès prévus. Si un index contient un ancien guide et l’autre son remplacement, le résultat combiné peut induire en erreur. Conservez des identifiants et des versions cohérents entre les traitements d’indexation, et définissez la propagation des mises à jour et des suppressions.
Précisez l’unité classée : un document entier ou un passage ? Si la recherche par mots-clés retourne des documents et la recherche vectorielle des passages, définissez leur correspondance avant la fusion. Sinon, plusieurs passages d’une même source peuvent prendre la place d’autres éléments utiles. Choisissez une règle de déduplication et de regroupement qui conserve le contexte nécessaire à la lecture.
Appliquez les autorisations à chaque voie de recherche, puis vérifiez-les aux étapes d’assemblage ou de restitution. Ne transmettez pas de texte restreint à un modèle de reclassement, au contexte d’un LLM, à un journal ou à un cache en comptant sur la réponse finale pour le masquer. Les limites entre clients et les permissions documentaires sont des contraintes du système, pas des signaux de pertinence. Les filtres doivent avoir le même sens dans les recherches textuelle et vectorielle.
Constituez un petit ensemble représentatif de tâches de recherche réelles, avec des jugements humains de pertinence. Incluez des codes exacts, des reformulations, des requêtes mixtes, les langues prises en charge, des documents obsolètes et des questions sans réponse appropriée. Séparez les cas utilisés pour régler le système de ceux servant à vérifier le choix final. Des réglages répétés sur les mêmes exemples ne doivent pas constituer votre seule preuve.
Comparez la recherche par mots-clés seule, la recherche vectorielle seule et leur combinaison sur la même version du corpus et avec les mêmes droits d’accès. Gardez un nombre de résultats comparable et documentez les différences. Si vous ajoutez un modèle de reclassement, mesurez son apport séparément au lieu d’attribuer tout le gain à la recherche hybride.
Fixez les critères d’acceptation avant de consulter la comparaison finale. Vous pouvez, par exemple, exiger une meilleure recherche des reformulations sans régression sur les codes exacts, tout en respectant le budget de temps de réponse. Ces critères dépendent de l’application. Aucun score ni seuil de latence universel ne prouve qu’un système hybride est prêt.
La recherche hybride ajoute des composants à exploiter : index, traitement des embeddings, logique applicative et parfois modèle de reclassement ou de génération. Estimez leurs besoins à partir de la taille du corpus, de sa fréquence de mise à jour, des requêtes simultanées et des modèles retenus. Chaque étape ne nécessite pas forcément un GPU, et un petit index ne prouve pas que toute l’application tiendra sur un petit serveur.
Compute with Hivenet fournit une infrastructure CPU et GPU pour les applications exploitées par votre équipe. Vous restez responsable du choix, de la configuration et de la validation du logiciel de recherche. Pour un projet de recherche interne ou d’assistant, Private AI avec Hivenet permet de discuter des données, du modèle, de la région et des exigences de déploiement.
Préparez des exemples de requêtes, des annotations de pertinence, la taille et les formats du corpus, les règles d’accès, la fréquence des mises à jour et un budget de latence. Apportez les résultats de la recherche par mots-clés seule ainsi que ceux de la combinaison hybride. Échangez avec Hivenet sur votre projet lorsque vous pouvez montrer où la recherche réussit, où elle échoue et ce que le système doit prendre en charge.
Choisissez une charge de travail d’IA, de calcul ou de stockage à tester sur Hivenet, ou échangez avec notre équipe sur sa mise en production.