Graphe de Connaissances et Recherche Sémantique dans le Support

La recherche par mots-clés — le fondement de la plupart des systèmes de recherche des centres d'aide et des bases de connaissances internes — exige que le chercheur utilise exactement les mêmes mots qui apparaissent dans le document de réponse. Un client qui recherche "mon compte ne me permet pas d'ajouter un deuxième e-mail" ne récupérera pas un article intitulé "Gérer plusieurs adresses utilisateur" si ni "deuxième e-mail" ni "ne me permet pas d'ajouter" n'apparaissent dans le texte de l'article. Le résultat : un volume de recherche élevé avec un faible taux de clics, des clients qui ne trouvent pas les réponses qu'ils cherchent, puis qui ouvrent des tickets de support pour des questions auxquelles la base de connaissances répond déjà. La recherche sémantique utilise des modèles d'embedding (réseaux neuronaux qui convertissent le texte en représentations vectorielles numériques) pour faire correspondre les requêtes aux documents en fonction du sens, et non du chevauchement littéral des mots. La requête "mon compte ne me permet pas d'ajouter un deuxième e-mail" est sémantiquement proche de l'article sur la gestion de plusieurs adresses utilisateur même sans mots-clés partagés — car les représentations vectorielles des deux sont similaires dans l'espace d'embedding. Les implémentations de recherche sémantique montrent constamment des améliorations de 25 à 40 % des taux de clics sur les articles en libre-service et des améliorations de 15 à 25 % des taux de résolution en libre-service par rapport à la base de référence des mots-clés. Pour les équipes de support, la recherche sémantique dans le portail de connaissances destiné aux agents réduit également le temps de recherche d'articles — l'un des principaux facteurs de l'AHT.

L'implémentation de la recherche sémantique nécessite trois composants. Modèle d'embedding : un modèle d'embedding de texte qui convertit les articles de la base de connaissances (et les requêtes entrantes) en représentations vectorielles. Options : text-embedding-ada-002 d'OpenAI est le modèle d'embedding commercial le plus largement utilisé pour le contenu de support en anglais ; des alternatives open-source comme les modèles sentence-transformers peuvent être exécutées sur site pour les déploiements sensibles aux données. Base de données vectorielle : une base de données qui stocke efficacement et permet la recherche de similarité sur des millions de vecteurs d'embedding. Options : Pinecone (géré, le plus facile à configurer), Weaviate (open-source, plus de contrôle), ou pgvector (une extension PostgreSQL permettant la recherche vectorielle au sein d'une instance Postgres existante). API de recherche : le flux de requête — la requête de recherche entrante est intégrée par le modèle, la base de données vectorielle effectue une recherche de voisins les plus proches approximatifs sur les embeddings d'articles, et les N articles les plus similaires sont renvoyés et classés. Pour la plupart des équipes de support SaaS, le chemin d'implémentation le plus rapide est : l'utilisation d'une fonctionnalité de recherche sémantique prête à l'emploi d'un outil de gestion des connaissances (Notion AI, Guru, Confluence avec Atlassian Intelligence) ou d'une plateforme de recherche de support dédiée (Algolia NeuralSearch, la recherche Beacon de Help Scout) plutôt que de construire un pipeline personnalisé.

Les systèmes de graphe de connaissances et de recherche sémantique perdent en précision lorsque la base de connaissances sous-jacente devient obsolète — car les embeddings représentent le contenu au moment où ils ont été générés. Lorsqu'un article est mis à jour, l'embedding de cet article doit être recalculé et remplacé dans la base de données vectorielle. Exigences de maintenance : pipeline de ré-embedding automatisé : chaque fois qu'un article de la base de connaissances est mis à jour (détecté par un webhook du CMS ou de l'outil de gestion des connaissances), l'article est automatiquement ré-embeddé et l'enregistrement de la base de données vectorielle est mis à jour. Il devrait s'agir d'une tâche en arrière-plan qui se termine en quelques minutes après la mise à jour de l'article. Surveillance de la couverture : suivre le pourcentage de recherches d'agents et de recherches de clients dans le centre d'aide qui renvoient une correspondance de haute confiance (au-dessus d'un seuil de similarité) par rapport à une réponse de faible confiance ou sans correspondance. Un taux de couverture en baisse indique que la base de connaissances est en retard par rapport au produit — de nouvelles fonctionnalités et de nouveaux problèmes sont recherchés mais le contenu n'existe pas encore. Alertes de lacunes de contenu : lorsque des requêtes spécifiques renvoient constamment des correspondances de faible confiance, alerter l'équipe de contenu avec le texte exact de la requête — ce sont des priorités de création de contenu. Re-calibrage saisonnier : à mesure que les fonctionnalités du produit évoluent de manière significative, réévaluer si le modèle d'embedding produit toujours des représentations utiles pour le langage spécifique du domaine.