Skip to main content

Extension de la requête (Query Expansion & HyDE)

POUR AGENT IAChatGPTClaude

Technique de préparation des requêtes dans les systèmes RAG. Avant d'interroger la base vectorielle, le modèle de langage génère automatiquement des synonymes, des mots-clés ou une réponse hypothétique fictive (HyDE — Hypothetical Document Embeddings), ce qui améliore considérablement la qualité des documents récupérés.

1. Aperçu du concept et de la finalité

Lorsque vous effectuez une recherche dans une base documentaire d'entreprise, vous formulez souvent votre requête tel que vous pensez :

  • « Pourquoi la connexion par numéro de téléphone ne fonctionne-t-elle pas ? »

Or, dans les instructions officielles destinées aux ingénieurs, ce même processus est décrit avec un vocabulaire différent :

  • « Authentification à deux facteurs (2FA) via SMS par passerelle Twilio : résolution des timeouts ».

Si vous convertissez simplement votre question courte en vecteur, elle risque de passer à côté de l'instruction officielle.

L'expansion de requête (Query Expansion) constitue le pont intelligent entre le langage conversationnel humain et la terminologie professionnelle de la base de connaissances :

  • Avant d'interroger la base vectorielle, un modèle rapide transforme votre question unique en trois versions professionnelles.
  • La base recherche des documents selon ces trois axes.
  • Vous obtenez un résultat parfaitement précis, même si vous ignorez tout du jargon technique.

Dans la pratique d'ingénierie, cela revient à engager un bibliothécaire chevronné qui traduit votre demande simple en codes catalogues scientifiques exacts.

2. Fonctionnement de la méthode HyDE (Hypothetical Document Embeddings)

┌─────────────────────────────────────────────────────────────┐
│                 MÉTHODE HyDE DANS LES SYSTÈMES RAG          │
├─────────────────────────────────────────────────────────────┤
│ 1. VOTRE QUESTION : « Pourquoi la roue du vélo grince-t-elle ? » │
├─────────────────────────────────────────────────────────────┤
│ 2. LE MODÈLE GÉNÈRE UN ARTICLE HYPOTHÉTIQUE (HyDE) :         │
│    « Le grincement dans le moyeu de la roue est généralement │
│    causé par l'usure des roulements ou un manque de lubrifiant │
│    sur l'axe du pédalier... »                                │
├─────────────────────────────────────────────────────────────┤
│ 3. RECHERCHE VECTORIELLE :                                  │
│    Le système recherche dans la base des documents similaires │
│    non pas à votre question courte, mais à l'article technique │
│    détaillé contenant les termes spécifiques !               │
├─────────────────────────────────────────────────────────────┤
│ 🎯 RÉSULTAT : La notice d'atelier exacte a été trouvée instantanément ! │
└─────────────────────────────────────────────────────────────┘

3. Quatre techniques d'expansion de requête

  1. Génération de synonymes : ajout de termes connexes en français et en anglais.
  2. Décomposition en sous-tâches (Decomposition) : si la requête ressemble à « Comparez les revenus des sociétés X et Y pour 2025 », le système recherche séparément les revenus de la société X et ceux de la société Y.
  3. Step-Back Prompting (Recul stratégique) : génération d'une question plus générale afin d'extraire les principes fondamentaux du sujet.
  4. Correction des fautes de frappe et du slang : normalisation automatique du texte vers le lexique officiel.

4. Conclusion pratique

L'ajout d'une étape simple de Query Expansion avant la recherche vectorielle améliore la précision de récupération des documents pertinents dans la base de connaissances de l'entreprise, passant de 65 % à 90 %, sans nécessiter l'achat d'une base de données plus coûteuse.

/ Questions fréquentesSchema.org FAQPage

FAQ: Extension de la requête (Query Expansion & HyDE)

Les utilisateurs écrivent souvent de manière concise, conversationnelle et imprécise : par exemple, « comment corriger l'erreur avec l'argent ». Dans une base de connaissances d'entreprise, le document s'intitule strictement : « Règlement de traitement des pannes de la passerelle de paiement ». Une recherche directe peut ne rien trouver de pertinent, c'est pourquoi l'IA génère des synonymes professionnels.
/ Liens internes

Termes associés

Tous les termes
Prompts & RAG

Recherche sémantique (recherche par sens, et non par caractères)

Technologie de recherche d'information basée sur le contenu conceptuel de la requête, plutôt que sur une correspondance exacte des lettres ou des mots-clés. Elle comprend les synonymes, les reformulations, les fautes de frappe et les questions abstraites en langage naturel.

Lire le terme
Prompts & RAG

RAG vs Fine-Tuning (L'éternel dilemme de l'implémentation de l'IA)

Un choix architectural fondamental pour les entreprises. RAG (recherche documentaire en temps réel lors de la requête) contre Fine-Tuning (modification des poids du modèle via apprentissage supplémentaire). Critères de sélection entre l'actualité des faits et un style comportemental spécifique.

Lire le terme
Prompts & RAG

Recherche hybride (Hybrid Search : Dense + Sparse / BM25)

Architecture de recherche d'information combinant la recherche sémantique vectorielle (Dense retrieval — compréhension du sens et des synonymes) avec la recherche classique par mots-clés exacts (Sparse retrieval / BM25). Elle assure un équilibre optimal entre la compréhension conceptuelle et la recherche précise de références, numéros de série ou noms.

Lire le terme