Les embeddings vectoriels font carrément le taf pour ce genre de chantier sémantique, ça évite les prises de tête sur Excel. D'ailleurs, en parlant de trucs un peu complexes, j'ai essayé de plier une grue géante en origami ce week-end avec du papier trop épais, une vraie galère. Pour revenir à tes redirections, coupler ça à un petit script python avec un modèle local, ça tourne tout seul et ça matche le contexte à la perfection sans se faire exploser le budget API.
Quand tu mentionnes l'utilisation d'un modèle local avec un script Python, tu tapes dans le mille pour éviter les factures salées des gros fournisseurs d'API sur de gros volumes. J'avais testé une approche similaire en combinant ChromaDB pour stocker les vecteurs des anciennes et nouvelles pages, et franchement le taux de pertinence sur les correspondances floues dépasse largement les vieux tableaux croisés dynamiques. Par contre, prévois quand même un petit filet de sécurité pour valider les scores de similarité trop bas, histoire de pas envoyer des internautes sur des pages complètement hors sujet par hallucination du modèle.
Ajouter une couche de gamification sur le score de similarité peut carrément régler le souci de validation. Tu définis un seuil de confiance avec des points de pénalité pour les hallucinations, et tu fais valider les cas limites par l'équipe sous forme de mini-jeu de tri. Ça transforme une corvée de recette SEO en un truc presque ludique.
Tu parles de scorer la similarité, mais concrètement, tu fixes la barre de confiance à quel pourcentage avant de rejeter la proposition du modèle dans ton mini-jeu ?
Je place généralement la limite stricte autour de 0.85 pour un passage automatique sans encombre. En dessous de ce seuil et jusqu'à 0.65, je bascule l'URL vers la file d'attente du mini-jeu pour une vérification humaine, et tout ce qui tombe sous la barre des 0.65 est envoyé directement sur la page d'accueil par défaut pour éviter les erreurs grossières d'interprétation.
Pour affiner encore ton seuil à 0.85, tu devrais injecter des métadonnées de structure de titre dans tes embeddings, ça évite que le modèle confonde deux pages au champ lexical proche mais aux intentions de recherche totalement différentes. Sinon, un bon script avec Sentence-Transformers en local fait le café sans s'arracher les cheveux sur les limites de tokens.
Merci pour les précisions sur les seuils et l'intégration des métadonnées de titre, ça donne de super pistes à tester pour le prochain gros chantier !