Comment les embeddings transforment votre catalogue produits en radar d'appels d'offres

Imaginez un fabricant de gaz médicaux manquant un appel d'offres pour une centrale d'oxygène hospitalière dans un pays voisin parce que l'avis ne dit jamais « centrale d'oxygène ». Il disait « unité de génération PSA, concentration à 93 %, avec train de compresseurs redondant ». Leur alerte par mot-clé était réglée sur « oxygène » et « gaz médical ». L'acheteur a utilisé le terme d'ingénierie. L'alerte est restée silencieuse. L'appel d'offres s'est clôturé. Un concurrent a remporté un marché valant plus que tout le budget marketing annuel de ce fabricant, et personne dans l'équipe n'a jamais vu l'avis.

C'est le mode de défaillance silencieux de la recherche par mot-clé dans les marchés publics. Les mots avec lesquels vous vendez ne sont presque jamais les mots avec lesquels un acheteur rédige un appel d'offres. Les embeddings corrigent cela en appariant sur le sens plutôt que sur les lettres.

Pourquoi les alertes par mot-clé continuent de manquer vos meilleurs appels d'offres

Les acheteurs publics à travers les grands portails (le TED de l'UE, le PNCP brésilien, l'UNGM de l'ONU, le pipeline de la Banque mondiale et des dizaines de systèmes nationaux) n'écrivent pas pour être trouvés par les fournisseurs. Ils écrivent pour être juridiquement précis. Il en résulte un écart de vocabulaire que le rapprochement par mot-clé ne peut pas franchir :

Vous pouvez rustiner cela avec des listes de mots-clés de plus en plus longues. En pratique, ces listes deviennent ingérables : trop étroites et vous manquez les appels d'offres au terme d'ingénierie, trop larges et vous vous noyez dans le bruit des contrats de nettoyage non pertinents. Aucun réglage ne réussit les deux à la fois, parce que le problème n'est pas les mots-clés. C'est que les lettres sont la mauvaise unité de comparaison.

Ce qu'est réellement un embedding

Un embedding est une liste de nombres (un vecteur) qui représente le sens d'un morceau de texte. Un modèle d'embedding moderne lit « unité de génération PSA, concentration à 93 % » et « centrale d'oxygène médical » et place les deux à un point presque identique dans un espace de grande dimension, parce qu'il a appris, à partir d'énormes quantités de texte, qu'ils décrivent la même chose. « Traiteur de gâteaux d'anniversaire » atterrit loin.

Une fois le texte transformé en vecteur, « cet appel d'offres est-il pertinent pour ce produit ? » devient une question de géométrie : à quelle distance se trouvent les deux vecteurs ? La mesure standard est la similarité cosinus, un score qui va d'environ 0 (sans rapport) à 1 (essentiellement le même sens). Aucun mot-clé partagé n'est requis. Le modèle apparie le concept.

Ce seul changement est ce qui transforme un catalogue statique en radar en direct.

Du catalogue au radar : comment fonctionne le pipeline

La mécanique est moins mystérieuse qu'il n'y paraît. Le flux comporte quatre étapes.

1. Vectorisez votre catalogue, une fois. Chaque ligne de produits devient un court passage descriptif : ce que c'est, ce que ça fait, les spécifications et normes qu'il respecte, les secteurs qu'il sert. Une ligne de gaz médicaux pourrait se lire « centrale de concentration d'oxygène, technologie PSA, pureté de 93 % à 95 %, norme de canalisation EN ISO 7396-1, pour hôpitaux et cliniques ». Nous encodons chaque passage en un vecteur et le stockons. C'est votre empreinte, et elle ne change que quand votre offre change.

2. Vectorisez chaque appel d'offres entrant. À mesure que les avis arrivent des portails (TED publie bien plus d'un demi-million d'avis par an, c'est donc un vrai problème de volume), chacun est encodé de la même manière. Titre, objet, annexes techniques, codes CPV : tout alimente le vecteur.

3. Notez l'adéquation. Chaque vecteur d'appel d'offres est comparé à chaque vecteur de produit par similarité cosinus. Le produit au score le plus élevé détermine la pertinence de l'appel d'offres pour vous. Un appel d'offres qui mentionne votre spécification exacte obtient un score élevé même sans aucun mot-clé partagé ; un avis générique de restauration obtient un score bas même s'il contient par hasard le mot « oxygène » dans une clause de premiers secours.

4. Classez et seuillez. Les scores vous permettent de trier par adéquation et de couper la longue traîne. Au lieu de 4 000 avis bruts, vous voyez les 20 qui ressemblent vraiment à votre activité, classés selon leur degré de correspondance.

La propriété cruciale : ceci est favorable au rappel. L'appel d'offres PSA-contre-oxygène que les alertes par mot-clé ont manqué obtient ici un score élevé, parce que le modèle sait que les deux formulations veulent dire la même chose.

Franchir la barrière de la langue gratuitement

L'avantage le plus sous-estimé est l'appariement multilingue. Les modèles d'embedding modernes sont entraînés sur de nombreuses langues et mappent les sens équivalents vers des vecteurs proches, quelle que soit la langue. « Oxygen plant » en anglais, « central de oxigénio » en portugais et « central de oxígeno » en espagnol atterrissent à peu près dans la même région de l'espace vectoriel.

Pour un exportateur, c'est transformateur. Vous décrivez votre catalogue une fois, dans une seule langue. Le système l'apparie ensuite à :

Pas de listes de mots-clés traduites. Pas de maintenance par pays. Le sens franchit la frontière tout seul, ce qui est exactement ce dont a besoin un exportateur scrutant l'Afrique, l'Amérique latine, le Moyen-Orient et l'Europe.

Pourquoi la notation vaut mieux qu'un simple oui ou non

Une alerte binaire « correspondance trouvée » ne vous dit rien sur l'opportunité de passer une matinée sur le document. Un score de similarité, associé à une brève explication par l'IA de la raison de la correspondance, permet à un responsable des offres de trier en quelques secondes plutôt qu'en quelques minutes.

Un dispositif pratique ressemble à ceci :

Réglez les seuils selon votre appétit. Un consultant couvrant plusieurs clients peut les fixer généreusement ; une PME concentrée peut les garder serrés. Dans les deux cas, le score est un bouton, pas un mur, ce qui est l'inverse d'une liste de mots-clés que vous ne pouvez qu'allonger.

Une brève mise en garde honnête : les embeddings sont très bons pour la pertinence, pas pour les règles d'éligibilité dures. Un appel d'offres peut être une correspondance sémantique parfaite et vous rester fermé sur les seuils de chiffre d'affaires, les certifications ou la géographie. Le score met rapidement les bons appels d'offres devant vous. Un humain (ou un contrôle d'éligibilité en aval) décide encore de soumissionner.

Comment trinta met cela en œuvre

C'est le moteur sous le flux trinta. Vous chargez votre catalogue une fois, nous le vectorisons, et à partir de là chaque nouvel avis à travers les portails que nous suivons est encodé, noté au regard de vos produits et classé. Au lieu de chercher, vous ouvrez un flux quotidien d'appels d'offres appariés, chacun avec un score d'adéquation et une raison d'une ligne de sa remontée, dans votre langue, tiré de sources rédigées dans plusieurs autres.

L'oubli PSA-contre-oxygène qui a ouvert cet article est précisément le genre d'appel d'offres qu'un radar fondé sur le sens attrape et qu'une alerte par mot-clé ne trouvera jamais. Le but est simple : cesser de fouiller les portails, et commencer à lire une courte liste qui sait déjà ce que vous vendez.

Questions fréquentes

Partager cet article

Reference

Articles similaires