Recherche sémantique multilingue : retrouver l'information sur le sens, quelle que soit la langue
Un collaborateur cherche une procédure. Il formule sa requête en français, le document existe en anglais, la page de résultats reste vide. La recherche sémantique multilingue interroge un fonds documentaire sur le sens des mots plutôt que sur leur forme exacte : une question posée dans une langue remonte un document rédigé dans une autre, sans traduction intermédiaire.
Numen va plus loin : nous associons la recherche sémantique à la recherche par métadonnées et à la recherche plein texte, dans une même requête, sur un référentiel où les documents conservent leur identité, leur cycle de vie et leurs droits d’accès.
Qu'est-ce que la recherche sémantique multilingue ?
La recherche sémantique multilingue est une méthode d’interrogation documentaire qui analyse l’intention d’une requête plutôt que ses seuls mots-clés. Le moteur encode la signification de chaque fragment de texte dans une représentation numérique commune à toutes les langues. Une question formulée en français remonte donc un document rédigé en anglais, en allemand ou en luxembourgeois. Le résultat se mesure d’abord à ce qui disparaît : les requêtes qui ne renvoyaient rien.
De la correspondance de mots-clés à la compréhension de l'intention
La recherche traditionnelle compte les mots. Elle repose sur des méthodes statistiques éprouvées — TF-IDF, puis BM25 — qui mesurent la fréquence et la rareté des termes. Efficace et prévisible, mais littéral : si le mot exact manque, le document reste invisible.
La recherche sémantique procède autrement. Chaque fragment de document et chaque requête sont convertis en une série de nombres qui traduit leur sens. Un utilisateur interroge le fonds sur les « congés » : le moteur remonte également les contenus qui parlent de « vacances annuelles », de « RTT » ou de « PTO », sans qu’aucune liste de synonymes n’ait été saisie à la main.
Ce que le multilinguisme change dans la recherche documentaire
Deux difficultés se présentent, le plus souvent ensemble.
- La langue. Documentation technique en anglais, contrats en français, comptes rendus en allemand, correspondance en luxembourgeois : l’utilisateur ne trouve rien si sa requête n’est pas formulée dans la langue du document.
- La fragmentation des sources. Même dans une seule langue, un export d’ERP, un document numérisé et une note bureautique ne partagent pas le même vocabulaire d’indexation, ni la même qualité de couche textuelle. Un moteur ne retrouve que ce que le texte extrait contient : la fiabilisation des données documentaires conditionne donc la pertinence de la recherche, quelle que soit la technologie employée.
Les services d’archives et de documentation connaissent bien cette situation : fonds multi-sources, documents anciens, contenus issus de systèmes abandonnés. Le premier réflexe consiste à ranger, et il est nécessaire — c’est l’objet de la gestion documentaire, qui installe un plan de classement et des référentiels communs. Mais ranger ne suffit pas : personne ne devine le mot exact employé dans chaque document. La recherche sémantique prend le relais sur le sens.
La recherche mixte : métadonnées, texte et sens dans une même requête
Trois modes d'interrogation, une seule requête
Trois modes coexistent, et chacun a son domaine de validité.
Les métadonnées
Elles délimitent un périmètre avec certitude : une période, un type de document, une entité émettrice, un état dans le cycle de vie.
Il retrouve une expression exacte, ce qu’aucun moteur sémantique ne fait aussi bien : une référence de contrat, un intitulé réglementaire, un nom propre.
Elle retrouve une idée dont l’utilisateur ne connaît pas la formulation, y compris lorsque le document est rédigé dans une autre langue.
Employés séparément, ces trois modes montrent chacun leur limite : les métadonnées seules ramènent un périmètre trop large, le plein texte seul suppose de connaître les mots, la sémantique seule ramène du plausible sans garantir le périmètre. La recherche mixte les combine dans une seule requête.
Un exemple tiré de nos travaux sur un fonds d’archives législatives.
documents votés entre 1898 et 1908
contenant l’expression « carte routière »
et répondant à « a-t-on des renseignements au sujet d’une grande carte du Grand-Duché peinte sur un mur du parlement en 1899 ? »
Filtre sur les métadonnées
Recherche d’expression exacte
Question en langage naturel
Le filtre de date, la recherche d’expression et la question en langage naturel s’exécutent ensemble et se contraignent mutuellement.
À notre connaissance, aucune solution de gestion documentaire ne propose aujourd’hui cette combinaison. Les moteurs sémantiques disponibles sur le marché, y compris en open source, opèrent sur des vracs documentaires : ils ignorent les métadonnées de gestion, le cycle de vie des documents et les habilitations. C’est précisément ce que nous avons choisi de traiter.
Des résultats soumis aux habilitations et au cycle de vie
Un moteur sémantique posé à côté d’un fonds documentaire pose une question que l’on découvre rarement à temps : qui a le droit de voir quoi dans les résultats ?
Chez Numen, la recherche s’exécute sur un référentiel documentaire, pas sur une copie indexée en marge. Les conséquences sont concrètes.
- Les droits d’accès s’imposent au langage de requêtes. Un utilisateur n’obtient de résultats que sur les documents qu’il est habilité à consulter, quel que soit le mode d’interrogation employé.
- Les documents conservent leur identité et leur cycle de vie. Version, état, durée de conservation, règles de gestion : la recherche restitue le bon document, pas seulement un fragment de texte ressemblant.
- Les accès sont tracés. Dans un contexte réglementaire, la traçabilité des consultations documentaires devient elle-même un élément de preuve.
- L’ensemble est manipulable par une API standardisée, ce qui permet d’exposer la recherche dans une application métier existante sans dupliquer le fonds.
Ce que nous avons éprouvé sur un fonds d'archives parlementaires
Numen accompagne la Chambre des Députés du Luxembourg dans la numérisation patrimoniale et l’indexation de ses archives législatives : comptes rendus des séances publiques, documents parlementaires, rapports des États provinciaux du Grand-Duché pour la période 1816-1830, avec la numérisation de 200 000 pages de volumes reliés.
C’est un corpus exigeant à plusieurs titres : documents historiques fragiles, langues mêlées au sein d’un même fonds, orthographes anciennes, couche textuelle issue de la numérisation dont la qualité varie d’une pièce à l’autre. Autrement dit, l’inverse d’un jeu de données de démonstration.
Nos essais ont porté sur le français, l’anglais, l’allemand et le luxembourgeois — cette dernière langue étant peu représentée dans les corpus d’apprentissage publics, ce qui en fait un bon révélateur de la robustesse réelle d’un moteur.
C’est sur ce type de corpus que nous avons éprouvé la recherche sémantique et la recherche mixte, sur des questions posées en langage naturel :
« depuis quand la bibliothèque parlementaire existe-t-elle ? »
« en quelle année la loi sur les toitures en chaume a-t-elle été discutée ? »
« quels ont été les débats autour de l’introduction de l’incompatibilité parlementaire familiale ? »
Des questions qu’aucun moteur par mots-clés ne traite, et qui portent sur des faits dispersés dans un fonds multilingue.
Exemples d'application de la recherche sémantique multilingue
Ces situations illustrent les usages les plus fréquents. Elles ne décrivent pas un projet client en particulier.
Fonds documentaires et patrimoniaux multilingues
Archives, documentation historique, fonds issus de plusieurs entités ou de systèmes successifs. La recherche par mots-clés échoue sur ces corpus, faute de vocabulaire d’indexation commun. La recherche mixte permet de circonscrire par les métadonnées, puis d’interroger sur le sens. Sur les fonds physiques, le travail de classement, de description et d’inventaire relève de nos prestations archivistiques : le moteur exploite ce travail, il ne le remplace pas.
Documentation technique et base de connaissances
Politiques internes, procédures, documentation produit et support : les contenus de référence sont souvent centralisés dans une seule langue, alors que les questions se posent dans toutes les autres. Un agent qui cherche une réponse ne devrait pas avoir à deviner la formulation employée par le rédacteur. Le raccordement à un outil de ticketing ou à un portail se fait par API.
Recherche réglementaire cross-langue en banque et finance
Circulaires européennes en anglais, exigences nationales en français, procédures de groupe déclinées par marché. Un analyste conformité doit retrouver la bonne version du bon document, avec la certitude de n’avoir rien manqué et sans que les contenus transitent par un service de traduction externe. Le coût d’une restitution incomplète est ici réglementaire avant d’être opérationnel.
Vos utilisateurs renoncent-ils à chercher, faute de trouver ?
Nous indexons un échantillon représentatif de votre fonds et nous le soumettons à vos propres questions.
Comment fonctionne notre moteur de recherche sémantique multilingue
Une plateforme ECM se juge en production, sur des référentiels qui grossissent et des flux qui ne se lissent pas. Voici ce que nous constatons dans les environnements que nous exploitons — avec leurs conditions de mesure, parce qu’un chiffre sans contexte n’a pas de valeur.
Indexation : encoder le sens, pas les mots
Chaque document est découpé en fragments, puis chaque fragment est converti en une représentation numérique de son sens. Ces représentations placent les contenus proches par le sens à faible distance les uns des autres : deux textes traitant du même sujet deviennent voisins, même rédigés dans trois langues différentes.
Le texte issu de la numérisation entre dans le même flux d’indexation que les fichiers bureautiques et les exports applicatifs. Sur les documents où la couche textuelle est pauvre ou absente — formulaires, documents dégradés, pièces manuscrites — l’extraction de données par IA produit en amont les métadonnées et le texte exploitable dont la recherche a besoin.
Interrogation et classement des résultats
À l’interrogation, la question est encodée puis rapprochée des fragments déjà indexés. Le moteur ne compare pas un à un des millions de fragments : il cherche directement dans le bon voisinage, ce qui maintient un temps de réponse compatible avec un usage quotidien sur de gros volumes. Un second passage affine le classement des premiers résultats, là où la précision compte le plus. Chaque résultat s’accompagne de son score de pertinence.
Deux modes de mise en œuvre
Offre automone
Raccordé par API à un fonds documentaire, à un applicatif métier ou à un portail existant, sans refonte préalable.
Intégration à SmartGED
Notre plateforme de gestion documentaire pour les grandes organisations : la recherche s’ajoute alors au langage de requêtes de la plateforme, avec les droits, les métadonnées et le cycle de vie déjà en place.
Qui exploite le moteur au quotidien
Un moteur de recherche ne s’installe pas, il s’exploite : indexation des nouveaux flux, contrôle de la pertinence sur les requêtes fréquentes, ajustements sur le vocabulaire métier. Les organisations dont les équipes informatiques sont déjà engagées sur d’autres priorités peuvent nous confier cette exploitation, dans le prolongement de notre activité d’externalisation de processus. C’est le même principe que sur nos autres services : nous ne livrons pas seulement une technologie, nous prenons en charge son fonctionnement.
Comparer les approches et choisir une solution
| Critère | Recherche plein texte | Traduction puis recherche | Recherche sémantique | Recherche Mixte Numen |
|---|---|---|---|---|
| Pertinence entre langues | Très faible | Variable, perte de nuance | Native | Native |
| Expression exacte | Excellente | Dégradée | Faible | Conservée |
| Maintenance linguistique | Un paramétrage par langue | Glossaires et service tiers à suivre | Un modèle unique | Un modèle unique |
| Circulation des contenus | Interne | Contenus transmis à un tiers | Interne | Interne |
| Habilitations et cycle de vie | Selon la plateforme | Selon la plateforme | Généralement hors périmètre | Appliqués à la requête |
Les limites du plein texte en contexte multilingue
Un moteur plein texte exige un analyseur par langue, avec ses mots vides et ses listes de synonymes : chaque langue ajoutée est une charge de maintenance supplémentaire. L’ambiguïté reste un écueil — le mot location désigne un loyer en français et un emplacement en anglais. Seule l’analyse du contexte tranche.
Traduire puis rechercher : pourquoi nous ne retenons pas cette approche
L’idée paraît économique : traduire la requête, puis lancer une recherche classique. En pratique, elle cumule les inconvénients. Chaque requête paie une latence et un coût supplémentaires. La traduction perd les nuances métier, particulièrement sur le vocabulaire juridique et réglementaire. Et les contenus interrogés sortent du périmètre de la plateforme pour être transmis à un service tiers, ce qui suppose d’en rendre compte au titre du RGPD.
Les cinq critères qui décident
- Les langues réellement éprouvées, et sur quels corpus. La qualité annoncée sur « plusieurs dizaines de langues » ne dit rien de la performance sur un fonds ancien, technique ou faiblement doté.
- Le respect des habilitations en place, sans reconstruire un modèle de droits parallèle.
- La capacité à combiner les modes d’interrogation, plutôt qu’à remplacer la recherche existante par une recherche sémantique seule.
- Le raccordement au système d’information, par API, sans refonte préalable du fonds documentaire.
- L’exploitation quotidienne : qui indexe les nouveaux flux, qui surveille la pertinence, qui traite les cas où le moteur se trompe.
Sécurité, conformité et hébergement
Ce que couvre la plateforme
Hébergement en France ou au Luxembourg selon le périmètre retenu, chiffrement des contenus, authentification raccordée à votre système d’identité, gestion fine des droits et journalisation des accès.
Nos certifications
Nos activités sont certifiées ISO 9001 et ISO 27001 : cette dernière atteste d’un système de management de la sécurité de l’information, régulièrement audité.
Questions fréquentes
Quelle différence entre recherche sémantique et recherche plein texte ?
Le plein texte cherche des correspondances de mots ; la recherche sémantique identifie une intention et des formulations équivalentes. En contexte multilingue, elle reconnaît qu’une requête française et un document anglais traitent du même sujet, sans traduction intermédiaire. Les deux approches restent complémentaires : l’expression exacte relève du plein texte, et c’est la raison pour laquelle nous les combinons.
Combien de langues le moteur gère-t-il ?
Un modèle unique traite nativement de nombreuses langues, sans paramétrage par langue. La qualité n’est pas uniforme pour autant, et nous préférons le dire : nous avons éprouvé le français, l’anglais, l’allemand et le luxembourgeois, y compris sur des documents anciens. Toute autre langue présente dans votre fonds mérite un test sur vos propres documents avant engagement.
Les habilitations existantes sont-elles respectées ?
Oui. Les droits d’accès s’appliquent aux résultats de la recherche sémantique comme à ceux de la recherche classique, parce que l’interrogation porte sur le référentiel documentaire et non sur un index constitué à côté.
Faut-il refondre notre système documentaire ?
Non. Le moteur se raccorde par API à un fonds documentaire, à un applicatif métier ou à un portail existant, et s’intègre nativement à SmartGED. Le projet suit quelques étapes : cadrage des sources, raccordement, indexation initiale, essai sur un échantillon représentatif, puis mise en service.
Nos contenus sont-ils transmis à un service externe ?
Non. L’interrogation ne fait appel à aucun service de traduction ni à aucun moteur de recherche tiers. Les traitements sont opérés dans le périmètre de la plateforme.
Qu'est-ce qu'une architecture RAG, et où se situe la recherche sémantique ?
RAG signifie Retrieval-Augmented Generation : une architecture qui associe un moteur de recherche et un modèle de langage pour produire une réponse rédigée à partir de documents existants. La qualité de la réponse dépend d’abord de celle de la recherche — un modèle de langage ne compense pas des documents mal retrouvés. Notre moteur constitue cette brique de recherche, avec la restitution des sources qui ont servi à répondre.
Éprouver le moteur sur un échantillon de vos documents
Nous indexons un échantillon représentatif de votre fonds, puis nous le soumettons à vos propres questions : celles auxquelles votre moteur actuel ne répond pas, et celles que vos utilisateurs renoncent à poser. Le compte rendu porte sur les requêtes traitées, les langues rencontrées et les cas où le moteur se trompe.
Éléments utiles à la préparation : familles de documents concernées, langues présentes dans le fonds, volumétrie estimée, applications à raccorder.