Non, cela l'améliore. Nous pensons que la recherche par IA doit être une recherche améliorée par l'IA. Pour chaque requête, Algolia AI Ranking utilisera les actions de vos utilisateurs pour reclasser une liste de résultats qui a été renvoyée et classée une première fois en fonction de votre configuration de pertinence.

Oui, grâce à notre éditeur visuel ou à notre API Rules, vous pouvez personnaliser l'expérience de recherche ou mettre en œuvre des stratégies éditoriales en plus des résultats de recherche générés par l'IA.

Le résultat peut sembler similaire — les deux approches entraînent des modifications du classement des produits — mais des différences cruciales existent. Les règles de mise en avant et de mise en retrait nécessitent une configuration manuelle par les équipes merchandising. Ces règles ne visent pas à améliorer les performances de votre moteur de recherche ; elles sont conçues pour modifier les résultats de recherche existants. Par exemple, pour promouvoir des produits à faible rotation, vous pouvez mettre en œuvre des règles de mise en avant afin de faire remonter artificiellement certains produits dans les résultats de recherche.

Les règles de boost et de suppression sont efficaces lorsque vous avez des objectifs spécifiques qui nécessitent des ajustements manuels du classement. Cependant, si votre but est de maximiser un objectif spécifique, l'intégration de signaux permet à notre algorithme d'affiner automatiquement le classement de vos produits et d'augmenter la probabilité de générer des conversions.

Le classement par IA combine divers signaux de classement pour optimiser la conversion et d'autres objectifs commerciaux :

• Événements (ex. : clics, conversions)
• Indicateurs et données commerciales stockés dans les enregistrements Algolia individuels (par exemple, marge, revenus hors ligne, disponibilité, expédition, marques sponsorisées, promotions)
• Scores de pertinence (par exemple, pertinence textuelle via l'algorithme de départage d'Algola)
• Signaux textuels (par exemple, nombre de fautes de frappe, distance entre les mots)

Avec le classement par IA, nous fournissons au modèle d'apprentissage automatique divers signaux, lui permettant d'optimiser ses performances en fonction d'un objectif. Par exemple, le modèle peut apprendre que plus les mots d'une requête sont éloignés les uns des autres, moins les résultats de recherche sont pertinents. Bien que l'importance des signaux textuels par rapport aux interactions utilisateur ou aux indicateurs de performance ne soit pas immédiatement évidente, leur intégration garantit un modèle de classement plus équilibré et efficace.