Aller au contenu
Vareon
fr

Duplex apprend. La recherche trouve.

Duplex apprend le schéma qui sous-tend votre travail, distingue les faux doublons et agit, en faisant de vos outils de recherche ses propres outils. Le RAG, les bases de données vectorielles, les graphes de connaissances, les caches et la mémoire trouvent ce qui ressemble à votre question.

Pour vous si votre IA dispose déjà d’une recherche documentaire, d’un cache ou d’une couche mémoire, et que vous vous demandez ce que l’apprentissage y ajouterait. · 5 min de lecture

Un client écrit : « Mon colis n’est jamais arrivé, pouvez-vous m’en envoyer un autre ? » Votre assistant fouille tout ce qu’il a vu et trouve une correspondance presque parfaite datant de la semaine dernière : « Mon colis est arrivé abîmé, pouvez-vous m’en envoyer un autre ? » Il envoie la réponse de la semaine dernière, un remplacement, sans poser de questions. Les mots étaient presque les mêmes. Le cas, non, car un colis perdu commence par une enquête auprès du transporteur.

La recherche a fait son travail. Elle a trouvé la correspondance la plus proche, ce qui est le propre de la recherche. Le RAG trouve des passages qui ressemblent à la question, les bases de données vectorielles trouvent ce qui se situe à proximité, les graphes de connaissances trouvent ce que quelqu’un a relié, les caches renvoient ce qui a déjà été demandé et la mémoire restitue ce qui a été enregistré. Chacun d’eux trouve quelque chose qui existe déjà. Mais semblable ne veut pas dire juste, et plus une mauvaise correspondance paraît proche, plus elle est servie avec assurance.

Apprendre est un tout autre acte. L’apprentissage comprend le schéma qui sous-tend votre travail, le condense en ce qui se généralise, et prédit ce qui vient ensuite. Duplex apprend, et vos outils de recherche deviennent ses outils : il appelle chacun d’eux quand une étape l’exige, et décide de ce que doit être la réponse.

Posée de la même façon, la recherche trouve la réponse stockée, et Duplex la connaît aussi.

Étape 1 sur 4 : La même question

L’apprentissage porte le schéma jusqu’aux cas nouveaux.

La requête suivante correspond rarement mot pour mot à la précédente. Quelqu’un la formule autrement, omet un détail ou ajoute un contexte qui ne change rien. Un cache renvoie ce qui a déjà été demandé, si bien qu’il a besoin que la nouvelle requête ressemble à une ancienne. Une recherche par similarité s’accommode mieux d’une nouvelle formulation, car elle trouve ce qui se situe à proximité, mais la proximité se mesure aux mots, pas au cas.

L’apprentissage travaille sur le cas lui-même. Quand votre équipe confirme un résultat, Duplex apprend le schéma qui le sous-tend : pourquoi il a fonctionné, et où il s’applique. Il reconnaît donc la même requête formulée autrement, et il sait quand une requête qui semble identique demande autre chose.

C’est en distinguant les faux doublons que la différence se voit le plus. Un colis perdu et un colis abîmé partagent presque tous leurs mots, tout comme une commande annulée avant l’expédition et une autre annulée après. Un outil qui sert ce qui se ressemble traite chaque paire de la même manière, avec la même assurance. Duplex voit la différence, et fait appel à votre IA, informée de ce qu’il sait du cas.

Dans un test allant des répétitions exactes aux requêtes d’un autre domaine, Duplex a mal répondu à 7.5% des faux doublons trompeurs, contre 45.3% pour un cache. Sur l’ensemble des requêtes, 98.98% ont été traitées correctement : soit avec la bonne réponse, soit passées à votre IA.

7.5%Mauvaises réponses sur les faux doublonsUn cache : 45.3%

Vos outils de recherche deviennent ses outils.

Les outils de recherche sont bons dans ce qu’ils font, et Duplex les utilise exactement pour cela. La recherche documentaire est le bon moyen de trouver une clause dans une politique, un graphe de connaissances le bon moyen de voir comment un fournisseur se rattache à tout le reste, et un cache le moyen le plus rapide de renvoyer une décision déjà prise. Ces faits ont leur place dans vos systèmes, à jour et entre les mains des personnes qui en ont la charge.

Ce que ces outils ne savent pas faire, c’est décider. Ils trouvent, et laissent le reste à celui qui a demandé : à quelle source se fier, que faire quand deux d’entre elles se contredisent, ce que la réponse signifie pour ce cas. Duplex apporte ce jugement. Il appelle chaque outil quand une étape l’exige, apprend quelle source répond à quel type de question, et décide avec les faits actuels sous les yeux.

Une seule facture peut exiger les trois : la politique, le statut du fournisseur et la dernière décision le concernant. La plupart du temps, les trois concordent. Le jour où le fournisseur est suspendu, la dernière décision est dépassée, et la réponse doit suivre le fait le plus récent et montrer d’où vient chaque élément.

C’est une juste répartition du travail, et tout ce que vous avez construit reste en service. Vos outils continuent de trouver ce pour quoi ils ont été conçus, chacun plus utile maintenant que quelque chose décide quand s’en servir. Duplex apprend, décide et agit, chaque réponse étant rattachée à ses sources.

Étape 1 sur 4 : Les pièces

Pour traiter une facture, Duplex a besoin d’une politique, du statut du fournisseur et de la dernière décision.

Un schéma appris vous dit ce qui vient ensuite.

La recherche regarde le passé : elle trouve ce qui s’est produit. L’apprentissage se projette en avant. Une fois que Duplex sait comment se déroule un type de travail, il peut prédire ce qu’une action va changer, planifier les étapes suivantes et décider de répondre, de passer la main ou de refuser.

Les tickets de support suivent un schéma : ouvert, trié, corrigé, confirmé, clos. La recherche peut trouver un ticket qui ressemble à celui que vous avez sous les yeux. Duplex a appris des tickets confirmés, si bien qu’il sait ce dont ce ticket a besoin ensuite et ce qui devrait suivre. Quand un ticket prend un tour qu’aucun autre n’avait pris, Duplex passe cette étape à votre IA, et une fois que votre équipe a confirmé comment il s’est terminé, ce tour fait désormais partie du schéma.

Sur World of Workflows, un benchmark public d’entreprise construit sur ServiceNow, Duplex a prédit comment le système change après une opération mieux que GPT-5.1, Gemini 3 Pro et Claude Sonnet 4.5, sans appel au modèle. En planification, il a trouvé le chemin le plus court à chaque fois, sans un seul token de modèle.

Une bibliothèque vous dit ce qui a été écrit. Un collègue qui a appris le métier sait ce que signifie le cas qu’il a sous les yeux, remarque quand il est nouveau et passe à l’étape suivante. Vos outils de recherche sont la bibliothèque, aussi utiles qu’ils l’ont toujours été. Duplex est le collègue, et à chaque résultat, il connaît le travail un peu mieux.

3 sur 3Modèles de pointe battus dans la prédiction des changements systèmeSans appel au modèle
Étape 1 sur 4 : Le schéma

Les tickets confirmés apprennent à Duplex comment ce type de travail se déroule, étape après étape.

Voyez Duplex sur votre propre travail.