Pourquoi la recherche basée sur l'IA est-elle si difficile ? Et comment Happeo parvient-il à la maîtriser ?

La perspective d’une recherche alimentée par l’IA dans un contexte d’entreprise est séduisante. Imaginez des collaborateurs trouvant sans effort les informations précises dont ils ont besoin, en faisant le tri parmi la multitude de documents obsolètes et de publications non pertinentes. C'est une vision qui promet une productivité accrue, un partage des connaissances fluide et un personnel plus connecté. Mais la réalité de la recherche par IA, en particulier dans l'environnement complexe d'un intranet, est bien plus nuancée.

Comment fonctionne la recherche basée sur l'IA

Toutes les IA ne se valent pas. Il existe différents types de modèles d’IA pouvant servir de base aux fonctionnalités d’IA, le modèle linguistique de grande envergure (LLM) figurant parmi les plus populaires en raison de sa compréhension approfondie du contexte et de ses réponses de type humain. Cela fait du LLM un choix de premier ordre, en particulier pour la technologie de recherche basée sur l’IA.

La plupart des fonctions de recherche basées sur l’IA s’appuient sur une architecture et des actions suggérées appelées « Retrieval-Augmented Generation » (RAG). En termes simples, l’IA agit comme un bibliothécaire hautement efficace, en suivant les étapes suivantes :

• Récupération : elle effectue une recherche sur votre intranet et dans toutes les sources intégrées en fonction de la requête de l’utilisateur.
• Enrichissement : elle utilise les informations récupérées pour formuler une réponse.
• Génération : elle transmet cette réponse à l’utilisateur de manière naturelle et compréhensible.

Cela semble simple, et le battage médiatique autour de l’IA donne effectivement l’impression qu’il s’agit d’une solution prête à l’emploi. Pourtant, ce processus recèle des obstacles de taille.

Fiabilité et qualité des données

L’IA n’est pas un expert en la matière ; c’est simplement un outil de recherche et de synthèse d’informations, un « bibliothécaire », comme on l’appelle, disposant d’un vaste accès à l’information. C’est le processus de recherche qui aide le bibliothécaire à comprendre ce que l’utilisateur souhaite et à lui fournir une réponse synthétisée.

Ses réponses dépendent entièrement de la qualité et de l’exactitude des données qu’elle trouve. Elle ne peut pas déterminer en soi quelles informations sont « justes » ou « fausses ». Elle peut seulement évaluer ce qui existe, puis – en s’appuyant sur les métadonnées de l’utilisateur et celles relatives à l’information – émettre une hypothèse éclairée quant à la pertinence de ces informations.

Cela soulève trois défis majeurs :

• Données incohérentes : si votre intranet regorge de politiques obsolètes, d’instructions contradictoires ou d’informations désorganisées, l’IA aura du mal à fournir des réponses fiables.
• Données manquantes : si les connaissances recherchées par vos collaborateurs n’existent tout simplement pas au sein de votre intranet ou des systèmes connectés, l’IA n’aura aucune donnée sur laquelle s’appuyer.
• Intégrez toutes les données de l’entreprise et filtrez les informations pertinentes.

Les dangers des « quasi-erreurs » et des « hallucinations » de l’IA

L’un des aspects les plus frustrants de la recherche par IA réside dans les « quasi-erreurs ». L’IA peut trouver des informations qui sont presque correctes, ce qui conduit à des réponses qui semblent exactes à première vue, mais qui contiennent de subtiles inexactitudes ou des conclusions trompeuses.

Un autre défi à relever concerne les « hallucinations » de l’IA : lorsqu’une question est posée et que l’IA ne dispose d’aucune référence pour y répondre avec précision, elle invente alors ce qu’elle estime être une réponse raisonnable. Ces « hallucinations » de l’IA peuvent éroder la confiance dans la fonction de recherche et induire les employés en erreur. Pour garantir le succès de la recherche par IA, il est essentiel, plutôt que de combler les lacunes de connaissances avec des informations inventées de toutes pièces, d’identifier ces lacunes et de créer un contenu correct afin d’enrichir le pool de données accessible à l’IA.

Une approche progressive pour affiner l’IA

Bien que la solution ultime réside dans l’amélioration des données sous-jacentes, Happeo s’efforce activement d’atténuer ces problèmes grâce à des améliorations continues :

• Évaluation avant et après l’enrichissement : en évaluant les informations récupérées avant qu’elles ne soient utilisées pour générer une réponse, puis en évaluant la réponse elle-même, nous pouvons garantir la qualité de la réponse. Nous affichons d’ailleurs le résultat de cette évaluation afin que vous puissiez vous assurer que la réponse était correcte.
• Améliorations de la recherche : les améliorations continues apportées à l’algorithme de recherche permettent de garantir que l’IA récupère les sources les plus pertinentes et les plus fiables, réduisant ainsi le risque de « quasi-erreur ».
• Compréhension contextuelle : la compréhension de l’utilisateur permet au système de recherche de trouver plus facilement les informations pertinentes. Cela inclut une meilleure compréhension du profil de l’utilisateur (fonction, service, historique de recherche) et de la dimension temporelle des résultats, ce qui améliore la pertinence de la réponse.

• Enrichissement progressif et itératif : au fil du temps, à mesure que de nouveaux contenus sont introduits et que des améliorations supplémentaires sont apportées, les données sous-jacentes gagnent en contexte et en précision.

La solution ultime : le moteur de connaissances

Bien que ces améliorations soient utiles, la véritable clé d’une recherche par IA fiable réside dans la garantie que les données sur lesquelles elle s’appuie sont précises, complètes et à jour. Il ne s’agit pas seulement de données et d’informations. Les données et les informations sont des faits, mais c’est la manière dont ces informations sont comprises, synthétisées et complétées là où elles font défaut qui permet de les transformer en connaissances.

C’est pourquoi le Knowledge Engine, prochainement disponible chez Happeo, révolutionne la recherche par IA (et bien plus encore). Cet outil sophistiqué va au-delà de la recherche par IA traditionnelle en offrant :

• La détection des lacunes : il identifie de manière proactive les lacunes de connaissances au sein de votre intranet Happeo en fonction des actions des utilisateurs et propose à ces derniers des actions à entreprendre pour trouver des informations au-delà de la simple recherche. Élément crucial, il recense les lacunes de connaissances et les attribue à des experts en la matière.
• Création de connaissances : il facilite la création de nouveaux contenus pour combler ces lacunes grâce à notre nouvelle fonctionnalité « Pages IA » et à notre assistant de rédaction.
• Notification des utilisateurs : il informe automatiquement les collaborateurs ayant recherché ces informations que celles-ci sont désormais disponibles via un tableau de bord personnalisé.

En gérant et en organisant activement la base de connaissances de votre intranet, notre moteur de connaissances garantit que chaque collaborateur (et chaque IA) a accès aux informations les plus précises et les plus à jour possibles, instantanément et à tout moment.

L'avenir de la recherche alimentée par l'IA

La recherche basée sur l’IA est un domaine en pleine évolution, et Happeo est fier d’être à la pointe de l’innovation. Bien que des défis subsistent, le potentiel d’une fonction de recherche véritablement intelligente et fiable est à portée de main. En combinant une IA avancée à un système de gestion des connaissances robuste, nous construisons une expérience intranet qui donne aux collaborateurs les informations dont ils ont besoin, exactement au moment où ils en ont besoin.

La recherche basée sur l’IA s’appuie généralement sur une architecture appelée « Retrieval-Augmented Generation », ou RAG. Le système agit comme un bibliothécaire numérique hautement efficace, fonctionnant selon une séquence en trois étapes pour fournir des réponses naturelles, semblables à celles d’un être humain. Ce processus repose sur des modèles linguistiques de grande envergure, sélectionnés pour leur compréhension approfondie du contexte.

La première étape de ce processus est la recherche. Lorsqu’un collaborateur saisit une requête dans la barre de recherche de l’intranet, l’IA analyse l’intégralité de l’intranet ainsi que toutes les sources de données externes intégrées. Elle rassemble tous les contenus correspondants en fonction des termes utilisés et de l’intention sous-jacente à la question de l’utilisateur.

La deuxième étape est l’enrichissement. À ce stade, le système prend toutes les informations brutes qu’il vient de récupérer et les structure, en utilisant ces données pour formuler avec soin une réponse cohérente. Cela garantit que les informations sont contextualisées avant d’être transmises à l’étape finale.

La dernière étape est la génération. Le système d’IA traite la réponse formulée et la transmet directement à l’utilisateur. Plutôt que de se contenter de renvoyer une liste de liens, il présente la réponse finale dans un format naturel, conversationnel et très compréhensible.

Les moteurs de recherche basés sur l’IA ne possèdent pas d’expertise inhérente dans un domaine particulier. Ils agissent plutôt comme des synthétiseurs qui dépendent entièrement de la qualité, de la précision et de l’exhaustivité des données dont ils disposent. Comme une IA ne peut pas déterminer naturellement ce qui est factuellement vrai ou faux, elle doit émettre des hypothèses éclairées en se basant sur des métadonnées.

Cette dépendance vis-à-vis des données existantes conduit à des « réponses quasi correctes » lorsque l’IA trouve des informations qui sont presque exactes. Le système génère alors une réponse qui semble très précise à première vue, mais qui contient en réalité de subtiles inexactitudes ou des conclusions trompeuses. Ces réponses quasi correctes peuvent rapidement éroder la confiance des employés dans l’outil de recherche.

Des « hallucinations » se produisent lorsqu’un collaborateur pose une question pour laquelle l’IA ne dispose d’aucune donnée de référence permettant d’y répondre. En raison de ce manque de connaissances, le système invente ce qu’il considère comme une réponse raisonnable. Pour éviter cela, la plateforme de recherche doit identifier activement les informations manquantes et inciter les utilisateurs à créer du contenu correct afin de combler ces lacunes.

Le Knowledge Engine améliore la précision en transformant les données statiques en connaissances actives et organisées. Plutôt que de se contenter d’effectuer des recherches dans les fichiers existants, cet outil gère et nettoie activement la base de connaissances de votre intranet. Pour ce faire, il s’appuie sur trois fonctionnalités principales : la détection des lacunes, la création de connaissances et la notification des utilisateurs.

Grâce à la détection des lacunes, le système identifie de manière proactive les cas où les collaborateurs recherchent des informations qui n’existent pas sur l’intranet. Au lieu de laisser l’IA inventer une réponse, l’outil enregistre ces échecs de recherche. Il signale ensuite automatiquement ces lacunes de connaissances et les attribue aux experts en la matière au sein de l’entreprise.

Pour aider ces experts, le moteur facilite la création de connaissances. Il utilise des fonctionnalités intégrées telles que Pages AI et un assistant de rédaction pour aider les experts à rédiger rapidement le contenu manquant. Cela garantit que la base de données de l’intranet est constamment actualisée avec des informations précises et à jour.

Enfin, l’outil se charge de notifier les utilisateurs. Une fois les informations manquantes créées et publiées, le système alerte automatiquement les collaborateurs qui les avaient précédemment recherchées. Ces mises à jour sont transmises directement via un tableau de bord personnalisé, ce qui permet à tout le monde de rester sur la même longueur d’onde.

Foire aux questions

Comment fonctionne la recherche basée sur l’IA sur une plateforme intranet ?
La recherche basée sur l’IA utilise généralement une architecture appelée « Retrieval-Augmented Generation » (RAG), qui s’appuie sur des modèles linguistiques à grande échelle. Elle fonctionne en trois étapes : la recherche, au cours de laquelle l’IA analyse l’intranet et les sources connectées à la recherche de contenus correspondants ; l’enrichissement, au cours duquel elle structure ces informations brutes pour en faire une réponse cohérente ; et la génération, au cours de laquelle elle fournit une réponse naturelle et conversationnelle plutôt qu’une simple liste de liens.

Pourquoi la recherche par IA ne peut-elle pas déterminer si une information est correcte ou erronée ?
L’IA n’est pas un expert en la matière : c’est un outil de recherche et de synthèse d’informations dont les réponses dépendent entièrement de la qualité et de la précision des données qu’elle trouve. Elle ne peut qu’évaluer ce qui existe et émettre une hypothèse éclairée sur la pertinence en se basant sur les métadonnées, sans pouvoir vérifier de manière indépendante l’exactitude des faits.

Qu’est-ce qui pousse les moteurs de recherche basés sur l’IA à « halluciner » ou à fournir des réponses « presque justes » ?
Les réponses «presque justes» surviennent lorsque l’IA trouve des informations qui sont presque correctes, produisant une réponse qui semble exacte mais qui contient de subtiles inexactitudes. Les «hallucinations» se produisent lorsqu’il n’existe aucune donnée de référence pour répondre à une question ; l’IA fabrique alors une réponse qui semble plausible au lieu d’admettre son manque de connaissances.

Comment le moteur de connaissances Happeo améliore-t-il la précision de la recherche sur l’intranet ?
Le moteur de connaissances améliore la précision en transformant les données statiques en connaissances activement gérées et organisées, plutôt qu’en se contentant de rechercher dans les fichiers existants. Il y parvient grâce à trois fonctionnalités : la détection des lacunes, la création de connaissances et la notification des utilisateurs, rafraîchissant ainsi en permanence la base de connaissances de l’intranet au lieu de laisser l’IA combler les lacunes avec des réponses inventées.

Quelles sont les trois principales fonctionnalités du Knowledge Engine ?
La détection des lacunes signale de manière proactive lorsque des collaborateurs recherchent des informations qui n’existent pas et attribue ces lacunes à des experts en la matière. La création de connaissances utilise Pages AI et un assistant de rédaction pour aider ces experts à rédiger rapidement le contenu manquant. La notification des utilisateurs alerte ensuite automatiquement toute personne ayant précédemment recherché ces informations dès leur publication.

Que peuvent faire les organisations pour améliorer la fiabilité de la recherche par IA tout en s’orientant vers une solution complète de gestion des connaissances ?
Parmi les mesures progressives utiles, on peut citer l’évaluation avant et après l’augmentation pour évaluer la qualité des réponses, l’amélioration continue de l’algorithme de recherche, une meilleure compréhension contextuelle de l’utilisateur (rôle, service, comportement de recherche antérieur) et l’enrichissement itératif des données sous-jacentes au fil du temps, à mesure que de nouveaux contenus sont ajoutés.