Description du projet
TraduitNous avons une grande bibliothèque de contenu : catalogue de produits, articles d'aide et documents internes, et notre recherche par mots-clés actuelle échoue constamment. Elle trouve des mots exacts mais ne comprend pas le sens : un client écrit 'impossible de se connecter' et nous ne trouvons pas l'article 'résolution des problèmes d'autorisation' parce que la formulation ne correspond pas. Les synonymes, paraphrases et différentes orthographes passent à travers, et le support est inondé de questions dont les réponses sont déjà sur le site. Nous avons besoin d'une recherche qui comprend l'intention, pas seulement les mots littéraux.
Nous recherchons un ingénieur pour construire un système de recherche sémantique (vectorielle) sur notre contenu existant. Cela signifie : générer des embeddings pour chaque objet indexé, stocker ces vecteurs dans une base de données vectorielle appropriée et servir des requêtes via une API claire que nos applications peuvent appeler. Nous attendons un classement hybride qui combine le matching classique par mots-clés avec la similarité vectorielle - donc les correspondances exactes restent en haut lorsque cela est approprié, mais les résultats sémantiquement proches remontent lorsque la formulation diverge. L'ajustement de la pertinence est important pour nous : nous voulons analyser de véritables journaux de requêtes, ajuster les poids et les seuils et mesurer si les meilleurs résultats sont réellement meilleurs.
Pour être clair sur le périmètre : il s'agit d'un système de recherche et de classement, pas d'un chatbot - un assistant génératif qui écrit ses propres réponses dont nous n'avons pas besoin. Nous avons besoin d'un classement conscient du sens, d'une API documentée, d'un pipeline d'indexation qui maintient les embeddings à jour au fur et à mesure que le contenu change, et d'une recommandation sur quel modèle d'embedding et quelle base de données vectorielle conviennent à notre volume et à notre budget.
Ce que nous voulons obtenir :
— un pipeline d'embedding pour le catalogue et les documents ;
— une base de données vectorielle avec classement hybride (mots-clés + vecteurs) ;
— une API de recherche avec filtres, pagination et contrôle de la pertinence.
Nous recherchons un ingénieur pour construire un système de recherche sémantique (vectorielle) sur notre contenu existant. Cela signifie : générer des embeddings pour chaque objet indexé, stocker ces vecteurs dans une base de données vectorielle appropriée et servir des requêtes via une API claire que nos applications peuvent appeler. Nous attendons un classement hybride qui combine le matching classique par mots-clés avec la similarité vectorielle - donc les correspondances exactes restent en haut lorsque cela est approprié, mais les résultats sémantiquement proches remontent lorsque la formulation diverge. L'ajustement de la pertinence est important pour nous : nous voulons analyser de véritables journaux de requêtes, ajuster les poids et les seuils et mesurer si les meilleurs résultats sont réellement meilleurs.
Pour être clair sur le périmètre : il s'agit d'un système de recherche et de classement, pas d'un chatbot - un assistant génératif qui écrit ses propres réponses dont nous n'avons pas besoin. Nous avons besoin d'un classement conscient du sens, d'une API documentée, d'un pipeline d'indexation qui maintient les embeddings à jour au fur et à mesure que le contenu change, et d'une recommandation sur quel modèle d'embedding et quelle base de données vectorielle conviennent à notre volume et à notre budget.
Ce que nous voulons obtenir :
— un pipeline d'embedding pour le catalogue et les documents ;
— une base de données vectorielle avec classement hybride (mots-clés + vecteurs) ;
— une API de recherche avec filtres, pagination et contrôle de la pertinence.
Développement de logiciels Espèces, Virement bancaire
