Outil test de recherche sémantique
Le Vector Embedding est une technique d’avant-garde du SEO/GEO. Quelques outils réussissent à utiliser ses capacités, mais toujours en l’effleurant ou avec des contraintes.
J’ai la chance d’avoir eu le temps de développer des approches personnalisées pour jouer avec les données, et je veux partager ce plaisir.
Voici un exemple personnalisé d’utilisation de la technologie.
Connection à l’outil
Comment fonctionne l’outil test
L’outil fait des recherches sémantiques dans les articles de la section Techno de Radio-Canada. On parle de 7840 articles de 2016 au 10 septembre 2025, divisés en 84 244 paragraphes.
# Mode Recherche Simple : À partir d’un terme de recherche, l’outil trouve les [10, 25 ou 50] paragraphes le plus près sémantiquement. Les paragraphes sont extrait avec l’URL, le titre de l’article et la date de publication.
# Mode Chatbot : Même recherche sémantique, mais organisée dans un texte écrit par l’agent qui répond à la question.
Avec les références bien sûr, et sur Chrome vous pourez arriver directement au paragraphe référencé.
Différents usages d’un outil de recherche basé sur le Vector Embedding
- Rédaction : rapidement comprendre ce qui a été écrit dans le passé sur un sujet, trouver des articles recommandés.
- Marketing : rassembler des articles par sujets, ajouter du contexte à des requêtes LLM.
- TI : Répondre plus rapidement à des ticket, accélérer le onboarding.
- Créer des outils de formation, effectuer des recherches d’informations juridiques, créer un chatbot avec de la donnée publique ou privée.
- […] plusieurs usages à découvrir avec votre contexte particulier
Ce que je gagne à partager cet outil de test
- On apprend ensemble les opportunités, les chemins d’utilisation.
- Je donne un apperçu d’un “outil interne” qu’on peut faire ensemble.
- J’ai du gros fun à faire ça
Quelles données sont conservés
Les mots de recherche sont logués. C’est tout.
Aucun outil analytique ou quoi que ce soit n’est installé sur le sous-domaine.
Pour aller plus loin
D’autres technologies peuvent être combinées à la recherche sémantique via Vector Embedding pour améliorer la qualité et la précision. Par exemple le Reranking ou Knowledge Graph.