Comment la recherche accélère votre chemin vers « IA First »

La combinaison de l’IA et de la recherche permet de nouveaux niveaux d’intelligence d’entreprise, avec des technologies telles que le traitement du langage naturel (NLP), la pertinence basée sur l’apprentissage automatique (ML), la recherche vectorielle / sémantique et les modèles de grande langue (LLMS) aidant les organisations à déverrouiller enfin la valeur des données unanalysées.

La technologie de recherche et de découverte de connaissances est requise pour que les organisations découvrent, analysent et utilisent des données clés. Cependant, un déluge de données signifie que les systèmes de recherche hérités peuvent avoir du mal à aider les utilisateurs professionnels à trouver rapidement ce dont ils ont besoin. En réponse, les systèmes de recherche modernes ont fait de grands pas dans la précision, la pertinence et l’utilité des résultats en tirant parti des capacités basées sur l’IA. Maintenant, une nouvelle vague d’IA – l’IA générative (Genai) – change comment les organisations prospectives abordent la recherche, la gestion des connaissances et d’autres formes de découverte de connaissances.

La recherche s’avère fondamentale pour connecter Genai aux données commerciales et réelles en récupérant des informations pertinentes provenant des sources de données d’entreprise, un processus appelé récupération de la génération augmentée (RAG). En augmentant les modèles Genai avec des informations connexes, les systèmes de recherche fonctionnent pour garantir des réponses et des informations précises, pertinentes et utiles. Des questions réelles et des idées exploitables sont l’endroit où le caoutchouc de l’IA rencontre la route du contexte des affaires réel, et l’importance de l’étape de récupération dans le chiffon ne peut pas être sous-estimée.

Avant de plonger dans le chiffon, prenons un pas en arrière pour comprendre comment nous sommes arrivés ici. Ceci est utile pour comprendre où utiliser le mieux différentes formes d’IA et de récupération de l’information pour tirer le meilleur parti des investissements technologiques et accélérer la voie vers la devenir une organisation IA-First.

Comment sommes-nous arrivés ici?

Au cours des 10 dernières années, IDC a périodiquement interrogé des organisations sur les défis et les avantages de la recherche et de la découverte des connaissances en entreprise. Les questions de l’enquête se concentrent sur une partie de la valeur inexploitée représentée par des données «cachées» ou unanalysées. Nous interrogeons les travailleurs des connaissances sur le temps qu’ils perdent chaque semaine aux activités liées à la recherche comme la recherche d’informations qu’ils ne trouvent jamais réellement, la recherche sur plusieurs sources de données pour une seule information, ou la connexion des points entre plusieurs informations pour arriver à un aperçu ou à une réponse.

Dans l’ensemble de 2013, 2015, 2019 et 2023, les données de ces questions montrent que les moteurs de recherche hérités qui n’ont pas progressé de manière significative au cours des cinq dernières années ont eu du mal à suivre le volume croissant et la variété des données organisationnelles. Ces moteurs hérités utilisent généralement une recherche traditionnelle de mots clés et des systèmes cassants basés sur des règles au lieu de la recherche adaptative, intelligente, sémantique et hybride. En conséquence, les organisations utilisant ces outils doivent faire face à une mauvaise compréhension des requêtes obsolètes ou brisées et à des défis de recherche de base.

D’un autre côté, la recherche montre que les systèmes de recherche qui ont suivi les innovations de l’IA ont considérablement progressé au cours des cinq dernières années. L’IA a apporté des capacités de recherche, de traduction et de combinaison d’informations. Ces capacités comprennent:

• Compréhension du langage naturel de plus en plus sophistiqué, permettant à plus d’utilisateurs de poser des questions dans un langage plus naturel
• Classement de pertinence basé sur la ML, améliorant l’ordre dans lequel les résultats sont affichés et permettant la personnalisation ainsi que le rediffusion basé sur la popularité
• Recherche sémantique / vectorielle, améliorant davantage les capacités de recherche en langage naturel en élargissant la compréhension sémantique des systèmes de recherche au-delà de la correspondance exacte des mots clés. La combinaison de la recherche de mots clés et de vecteur (aka recherche hybride) est particulièrement populaire pour les cas d’utilisation de recherche de commerce électronique en raison de la possibilité de trouver à la fois des valeurs / noms de produits exacts ainsi que des produits recommandés ou similaires, l’amélioration de la conversion, de la vente croisée et de la vente au courant

L’utilisation de la recherche moderne signifiait que les employés ont passé 12 heures moins par semaine perdue dans les activités liées à la recherche en 2023 par rapport à 2019 – une amélioration importante de la productivité.¹ Pendant ce temps, les clients sont également plus satisfaits et plus disposés à dépenser. Les organisations de vente au détail qui ont adopté des recherches modernes alimentées par l’IA ont déclaré des avantages tels que l’augmentation des économies de coûts (39%), les bénéfices (35%) et la satisfaction et l’engagement des clients (34%), ainsi que la possibilité de diriger les ressources à des tâches de plus grande valeur et / ou des revenus (25%).

Le nouvel impératif: de la recherche à la recherche AI

Les dirigeants de presque toutes les industries sont confrontés à des demandes de mise à profit de l’IA pour un avantage commercial et doivent accélérer la transition de leur organisation vers la création de l’IA en premier. IDC a constaté que 83% des dirigeants informatiques estiment que les modèles Genai qui tirent parti des données de leur propre entreprise leur donneront un avantage significatif sur les concurrents.² Cependant, en janvier 2024, seulement 24% des organisations pensaient que leurs ressources étaient extrêmement préparées pour le Genai.³ Les essais, les erreurs et les succès des dernières à deux ans ont montré que les technologies de recherche aident à combler l’écart entre Genai et les données d’entreprise via RAG. Par rapport au réglage fin, qui nécessite de recycler un modèle d’IA, le RAG peut être une méthode plus rentable et moins longue de compléter les LLM avec des données spécifiques et / ou propriétaires:

Idc

Comme le montre le diagramme ci-dessus, il existe un certain nombre d’étapes et de technologies impliquées dans le RAG à travers les pipelines d’indexation / prétraitement et de requête. Selon le type de données et le cas d’utilisation impliquée, soit une recherche de vecteur ou une combinaison de la recherche vectorielle et de mot-clé (AKA hybride) peut être nécessaire. Les entreprises devraient évaluer leurs ressources pour déterminer lesquelles de ces pièces ils souhaitent se construire et se maintenir. IDC recommande ce qui suit:

• Assurez-vous que l’organisation exploite une technologie de recherche forte, avec des niveaux élevés de précision et de pertinence, pour l’étape de récupération du chiffon. Les aspects à rechercher incluent la recherche hybride (mot-clé et sémantique / vecteur), les outils de rediffusion automatisés et de faible code / sans code qui facilitent les tests et le réglage pour une grande variété d’utilisateurs. Cette étape est cruciale pour garantir que les LLM fournissent les résumés et réponses les plus pertinents, utiles et les plus exploitables.
• Évaluez la précision et la fraîcheur des sources de données et considérez quels outils seront utilisés pour connecter, filtrer ou ingérer des données dans le pipeline. Assurez-vous que la gouvernance des données et les règles commerciales, telles que les autorisations d’accès, ne sont pas perdues dans le processus et que le système a de solides garde-corps de sécurité.
• Déterminez quels types d’IA sont les mieux adaptés aux différents cas d’utilisation. Le Genai doit être appliqué stratégiquement pour s’assurer que son utilisation est réalisable, précieuse et responsable. Si nécessaire, sélectionnez un fournisseur avec l’expérience nécessaire pour aider à hiérarchiser les cas d’utilisation et l’utilisation de l’IA.
• Recherchez un partenaire qui peut aider avec certaines ou toutes les étapes requises pour connecter les données d’entreprise aux LLM, y compris l’analyse, le groupe, la mise en place, le stockage et l’utilisation de la recherche vectorielle ou hybride pour récupérer des informations clés pour se nourrir au LLM.

Découvrez comment l’IA modifie le jeu de recherche – et obtiennent des conseils essentiels pour créer une recherche moderne avec vos données propriétaires. Obtenez l’IDC Infobrief.

Hayley Sutherland est un responsable de la recherche pour l’IA conversationnelle et la découverte intelligente des connaissances au sein du groupe d’études de marché des logiciels et de conseils d’IDC. Sa principale couverture de recherche comprend l’IA conversationnelle et la recherche, avec un accent sur les outils et les techniques de développement de logiciels d’IA pour les chatbots et les assistants numériques, l’IA de la parole et l’IA de texte, la traduction automatique, la création de graphiques de connaissances intégrés, la découverte intelligente des connaissances et l’informatique affective (également connue sous le nom d’émotion AI).

Crédit: élastique

¹L’IDC’s North America Knowledge Discovery Survey, février 2023, n = 522
²L’enquête Genai Arc d’IDC, août 2023, n = 1 363
³L’enquête sur la résilience et les dépenses des entreprises de l’IDC, Wave 1, janvier 2024, n = 881