Aleksandar Bradic, Chief Technology Officer chez Supplyframe
Cependant, dans ce processus, l’Enterprise Search a fini par perdre de la visibilité. Son principal domaine d’application - les données d'entreprise - est désormais en compétition avec une liste toujours plus longue de nouveaux produits : de l'analyse des logs et la business intelligence aux data lakes et autres systèmes de gestion de contenu. On peut alors se poser la question : y a-t-il encore une place pour l’Enterprise Search en tant que catégorie à part entière à l’heure où l’IA est sur toutes les lèvres ?
Si l’Enterprise Search veut regagner une part significative du marché des outils d'entreprise, elle ne peut le faire qu'en se recentrant sur sa valeur fondamentale : la recherche. Du côté du web public, la marge d’amélioration est faible, mais il y a beaucoup plus de possibilités à explorer du côté des entreprises. Cela s'explique en partie par le fait que nos besoins semblent suivre presque universellement la loi de Pareto, du moins en ce qui concerne le web public.
Dans l'ensemble, les requêtes de recherches sont souvent similaires, par conséquent les résultats de sites web sont souvent les mêmes. La surabondance de documents et d’informations sur le web soit immense est plus un problème qu'une opportunité, car la majeure partie n’est pas pertinente. Google l’a bien compris, c'est pourquoi, au cours de la dernière décennie, l’entreprise n'a pas investi dans le développement de son expérience de recherche, mais l’a progressivement réduite à fournir la "seule vraie réponse", personnalisée pour chaque utilisateur.
Les données d'entreprise, cependant, sont entièrement différentes. Alors que sur le web public, 99% du contenu peut être ignoré, dans le contexte des entreprises, chaque information peut être la clé pour faire avancer une opportunité commerciale. Alors que les plateformes actuelles d'analyse et de stockage de données font un excellent travail d’agrégation et de visualisation des données à la volée, l’exploration exhaustive et poussée des données brutes de l’entreprise laisse beaucoup à désirer. En optimisant les outils pour qu’ils puissent extraire le "signal" du "bruit", nous perdons la capacité de concevoir un outil permettant de traiterles cas où toutes les données sont du «signal» pur.
Le paradigme de la recherche a beaucoup à offrir à cet égard. En considérant les résultats de recherche comme représentant des entrées de données brutes (par exemple : des transactions liées à l'entreprise), le modèle de recherche d'informations fournit un moyen prouvé et très efficace de naviguer dans l'ensemble des données de l'entreprise. Cependant, le problème de la lassitude des recherches demeure - notre capacité à penser de manière créative s'arrête souvent devant une boîte de recherche et nos requêtes se réduisent à un seul terme. Ce problème est au cœur même des raisons pour lesquelles les plateformes de recherche en langage naturel n'ont pas connu un plus grand succès et pourquoi nous avons tendance à préférer regarder des graphiques et des tableaux de bord plutôt que d’utiliser nos outils Big Data.
La voie à suivre est celle du renversement du paradigme de recherche - bien que la capacité à traiter efficacement les requêtes soit toujours essentielle, poser des questions ne devrait plus être le principal moyen d’interactions des utilisateurs. L’Enterprise Search devrait plutôt se concentrer sur la génération des questions les plus utiles que les utilisateurs sont en mesure de poser. Les récents progrès réalisés avec des modèles tels que GPT (GUID Partition Table) et BERT (Bidirectional Encoder Representations from Transformers) font que de telles fonctionnalités semblent à portée de main. Disposer des systèmes de recherche capables de générer des questions basées sur leurs données indexées permet un tout autre point d'entrée pour l'engagement.
Au lieu de considérer l'Enterprise Search comme un outil supplémentaire à part entière que nous n'utilisons que pour une tâche spécifique, la notion de génération de questions permet de devenir omniprésente et de s'intégrer aux nombreux outils de l'entreprise. De cette façon, la promesse d'une recherche basée sur l'IA ne s'arrête pas au "seul vrai résultat", mais ouvre plutôt la porte à une interaction plus profonde avec l'ensemble des données brutes de l'entreprise.
Si l’Enterprise Search veut regagner une part significative du marché des outils d'entreprise, elle ne peut le faire qu'en se recentrant sur sa valeur fondamentale : la recherche. Du côté du web public, la marge d’amélioration est faible, mais il y a beaucoup plus de possibilités à explorer du côté des entreprises. Cela s'explique en partie par le fait que nos besoins semblent suivre presque universellement la loi de Pareto, du moins en ce qui concerne le web public.
Dans l'ensemble, les requêtes de recherches sont souvent similaires, par conséquent les résultats de sites web sont souvent les mêmes. La surabondance de documents et d’informations sur le web soit immense est plus un problème qu'une opportunité, car la majeure partie n’est pas pertinente. Google l’a bien compris, c'est pourquoi, au cours de la dernière décennie, l’entreprise n'a pas investi dans le développement de son expérience de recherche, mais l’a progressivement réduite à fournir la "seule vraie réponse", personnalisée pour chaque utilisateur.
Les données d'entreprise, cependant, sont entièrement différentes. Alors que sur le web public, 99% du contenu peut être ignoré, dans le contexte des entreprises, chaque information peut être la clé pour faire avancer une opportunité commerciale. Alors que les plateformes actuelles d'analyse et de stockage de données font un excellent travail d’agrégation et de visualisation des données à la volée, l’exploration exhaustive et poussée des données brutes de l’entreprise laisse beaucoup à désirer. En optimisant les outils pour qu’ils puissent extraire le "signal" du "bruit", nous perdons la capacité de concevoir un outil permettant de traiterles cas où toutes les données sont du «signal» pur.
Le paradigme de la recherche a beaucoup à offrir à cet égard. En considérant les résultats de recherche comme représentant des entrées de données brutes (par exemple : des transactions liées à l'entreprise), le modèle de recherche d'informations fournit un moyen prouvé et très efficace de naviguer dans l'ensemble des données de l'entreprise. Cependant, le problème de la lassitude des recherches demeure - notre capacité à penser de manière créative s'arrête souvent devant une boîte de recherche et nos requêtes se réduisent à un seul terme. Ce problème est au cœur même des raisons pour lesquelles les plateformes de recherche en langage naturel n'ont pas connu un plus grand succès et pourquoi nous avons tendance à préférer regarder des graphiques et des tableaux de bord plutôt que d’utiliser nos outils Big Data.
La voie à suivre est celle du renversement du paradigme de recherche - bien que la capacité à traiter efficacement les requêtes soit toujours essentielle, poser des questions ne devrait plus être le principal moyen d’interactions des utilisateurs. L’Enterprise Search devrait plutôt se concentrer sur la génération des questions les plus utiles que les utilisateurs sont en mesure de poser. Les récents progrès réalisés avec des modèles tels que GPT (GUID Partition Table) et BERT (Bidirectional Encoder Representations from Transformers) font que de telles fonctionnalités semblent à portée de main. Disposer des systèmes de recherche capables de générer des questions basées sur leurs données indexées permet un tout autre point d'entrée pour l'engagement.
Au lieu de considérer l'Enterprise Search comme un outil supplémentaire à part entière que nous n'utilisons que pour une tâche spécifique, la notion de génération de questions permet de devenir omniprésente et de s'intégrer aux nombreux outils de l'entreprise. De cette façon, la promesse d'une recherche basée sur l'IA ne s'arrête pas au "seul vrai résultat", mais ouvre plutôt la porte à une interaction plus profonde avec l'ensemble des données brutes de l'entreprise.
