AI Search Open Platform propose des services algorithmiques modulaires pour les scénarios de recherche intelligente et de génération augmentée par récupération (RAG). La solution couvre l'intégralité du pipeline — analyse de documents, découpage en segments, vectorisation de texte, analyse des requêtes, récupération, tri, évaluation des performances et génération basée sur les grands modèles de langage (LLM) — chaque étape étant exposée sous forme de service indépendant et appelable. Sélectionnez uniquement les composants requis par votre cas d'utilisation.
L'activation est gratuite. Les nouveaux comptes Alibaba Cloud bénéficient de 10 appels de service gratuits, partagés entre tous les utilisateurs RAM du compte. Une fois ces appels gratuits épuisés, la facturation s'applique en fonction de l'utilisation réelle des appels de service LLM. Activer maintenant
Cas d'utilisation
RAG et recherche conversationnelle
Construisez des bases de connaissances, des systèmes de service client intelligents et des applications de recherche conversationnelle. Exemples de requêtes typiques : « Quelles sont les étapes pour configurer X ? » ou « Résumez les points clés de ce document. »
Service client intelligent
Recherche conversationnelle
Enrichissement des graphes de connaissances
Recommandation personnalisée
Pour un exemple de développement, consultez Créer une application de recherche conversationnelle basée sur le RAG.
Recherche multimodale
Effectuez des recherches sur du contenu textuel et visuel en exploitant la compréhension sémantique et la reconnaissance visuelle. Cas d'usage typiques : recherches par image, découverte de contenu cross-modal et recherche documentaire via OCR.
E-commerce et vente au détail
Contenu d'actualités
Jeux vidéo
Santé
Finance
Pour un exemple de développement, consultez Développement d'activités de recherche multimodale.
Fonctionnement
AI Search Open Platform traite les données via un pipeline modulaire. Chaque étape constitue un service indépendant et appelable :
Analyser les documents — Extrayez le texte, les tableaux, les images et le code à partir de formats PDF, DOC, HTML, TXT et autres. Vitesse d'analyse de l'ordre de la minute.
Découper le contenu — Segmentez les documents selon leur sémantique et leur structure paragraphique. L'arborescence de segments résultante permet la complétion du contexte lors de la récupération.
Vectoriser le texte — Convertissez les segments en vecteurs denses ou clairsemés à l'aide de modèles d'embedding multilingues. Combinez les deux approches pour une recherche hybride.
Analyser les requêtes — Comprenez l'intention de l'utilisateur, développez des questions similaires ou convertissez le langage naturel en SQL grâce aux capacités des LLM et du traitement automatique du langage naturel (NLP).
Récupérer les résultats — Exécutez la récupération vectorielle et textuelle sur les données indexées.
Trier et classer — Appliquez un tri au niveau de la requête et du document pour mettre en avant le contenu le plus pertinent.
Générer des réponses — Utilisez les LLM intégrés pour produire des réponses fondées sur le contenu récupéré.
Fonctionnalités
Analyse du contenu des documents
Analyse les formats PDF, DOC, HTML, TXT et autres à une vitesse de l'ordre de la minute. Distingue les mises en page, extrait les structures logiques (titres, paragraphes) et identifie les éléments de contenu, notamment le texte, les tableaux, les images et le code. Supprime les en-têtes et pieds de page et détecte les exposants et indices. La sortie est structurée.
Analyse du contenu des images
Analyse le contenu des images, telles que les diagrammes d'architecture et les graphiques analytiques, à l'aide de LLM multimodaux. Prend en charge la reconnaissance optique de caractères (OCR) pour extraire le texte des images, utilisable dans la recherche d'images et les questions-réponses basées sur l'image.
Découpage des documents
Segmentez les documents selon leur sémantique, leur structure paragraphique et des règles configurables. Génère une arborescence de segments permettant la complétion du contexte lors de la récupération.
Modèles d'embedding multilingues
Embedding de texte : Convertit le texte en vecteurs denses. Plusieurs modèles prennent en charge différentes langues, longueurs d'entrée et dimensions de sortie. À utiliser pour la recherche, la classification de texte et la comparaison de pertinence.
Embedding clairsemé : Convertit le texte en vecteurs clairsemés nécessitant moins de stockage. Capture les mots-clés et les termes fréquents. Combine avec les vecteurs denses pour une recherche hybride afin d'améliorer les performances de récupération.
Ajustement des modèles d'embedding : Entraînez un modèle de réduction de dimensionnalité pour diminuer les dimensions des vecteurs sans affecter significativement la qualité de la récupération.
Analyse des requêtes
Analyse les requêtes à l'aide de LLM et de techniques NLP pour comprendre l'intention de l'utilisateur, développer des questions similaires et convertir le langage naturel en SQL. Améliore la précision de la recherche conversationnelle dans les scénarios RAG.
Moteur de recherche
Fournit des moteurs de récupération vectorielle et textuelle. Stockez les vecteurs et le texte, construisez des index et exécutez la récupération vectorielle et textuelle en ligne. Utilisez ces moteurs avec les API AI Search Open Platform pour traiter et récupérer les données de bout en bout.
Tri
Applique un tri au niveau de la requête et du document dans les scénarios RAG et de recherche pour mettre en avant le contenu le plus pertinent. Améliore la précision de la récupération et la qualité des réponses générées par les LLM.
Génération de texte basée sur les LLM
Propose une gamme de modèles, notamment Qwen3-235B-A22B, QwQ, tous les modèles DeepSeek (DeepSeek R1, V3 et variantes distillées 7B/14B), ainsi que la série Qwen (Qwen-Turbo, Qwen-Plus et Qwen-Max). Le modèle intégré OpenSearch-Qwen-Turbo, basé sur qwen-turbo, a été amélioré pour les capacités RAG après un ajustement fin supervisé, afin de réduire le taux d'hallucination.
Avantages
Pipeline de bout en bout, sans assemblage requis — Tous les services sont disponibles immédiatement après l'activation. Au lieu d'intégrer des outils distincts pour chaque étape du pipeline de recherche ou RAG, vous disposez d'une plateforme unique couvrant l'analyse, l'embedding, la récupération, le classement et la génération.
Appelez ce dont vous avez besoin, ignorez le reste — Les développeurs, les clients entreprise et les ISV (éditeurs de logiciels indépendants) peuvent appeler des opérations API individuelles ou utiliser des SDK pour intégrer n'importe quel sous-ensemble de services. La conception modulaire signifie que votre architecture ne porte que les composants qu'elle utilise.
Modèles optimisés pour la recherche prêts à l'emploi — AI Search Open Platform vous permet d'entraîner des modèles de recherche IA dédiés sur la base de modèles fondamentaux leaders. Le modèle intégré OpenSearch-Qwen-Turbo est spécifiquement ajusté pour le RAG, réduisant les hallucinations par rapport à un modèle à usage général.
Fondé sur des modèles de recherche éprouvés — La conception du pipeline reflète des années d'expérience en matière de recherche intelligente et de RAG. Les bonnes pratiques sont intégrées, ce qui vous permet de passer moins de temps à apprendre ce qui fonctionne et plus de temps à construire.