---
sourceDocument: Administration de la ServiceNow AI Platform en Australie
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/fr-FR/platform-administration
Release :
- australia
ft:locale :
- fr-FR
ft:publication_title :
- Administration de la ServiceNow AI Platform en Australie
ft:clusterId :
- platadm
bundleId :
- platadm
workflow :
- Platform
---
# Pertinence de l'apprentissage machine
# Pertinence de l'apprentissage machine dans Recherche IA {#ariaid-title1}
* Rversion finale: Australia
*
* Mis à jour 12 mars 2026
*
*  4 minutes de lecture
Recherche IA Affiche d'abord les résultats de recherche les plus pertinents pour une requête. Le machine learning ajuste automatiquement le score de pertinence des résultats de recherche pour les expériences de recherche en fonction des interactions agrégées des utilisateurs.
La pertinence du machine learning est automatiquement activée et n'est pas configurable.
## Modèles de pertinence et notation {#machine-learning-relevancy-ais__section_avh_5y2_1nb}
Recherche IA utilise un modèle de pertinence pour calculer un score de pertinence pour chaque résultat renvoyé par une recherche. Les documents avec des scores de pertinence plus élevés apparaissent en premier dans l'ensemble de résultats. Le score de pertinence d'un résultat est spécifique au document, aux termes de recherche et à l'utilisateur associés à la requête.
Chaque profil de recherche comprend son propre modèle de pertinence. Vous ne pouvez pas afficher, modifier ou supprimer ce modèle de pertinence.
Remarque :
Recherche IA n'applique pas le classement par pertinence aux requêtes génériques universelles. Les résultats des requêtes s'affichent dans un ordre non spécifié.
## Signaux de recherche et réglage de la pertinence du machine learning {#machine-learning-relevancy-ais__section_obm_cbf_1nb}
Recherche IA Les composants UX enregistrent les signaux associés aux recherches des utilisateurs. Ces signaux de recherche incluent des données sur la façon dont les utilisateurs de recherche interagissent avec le champ d'entrée de recherche, les suggestions de saisie semi-automatique, les filtres de facette et de catégorie de facette source, les cartes de réponse Résultat Genius et les résultats de recherche. Pour en savoir plus sur la façon dont les signaux de recherche sont enregistrés et stockés, reportez-vous à la section [Signaux de recherche](https://servicenow-prod.fluidtopics.net/xGPRaKMQ3Rhrsr2ySFqtvg "Rechercher stocke les données de signal des recherches des utilisateurs. Les données de signal agrégées permettent d’améliorer la pertinence des résultats de recherche dans votre système.").
La pertinence d'apprentissage machine utilise les données de ces signaux de recherche pour ajuster intelligemment les modèles de pertinence en continu. Tous les 30 jours, Recherche IA calcule une nouvelle version de chaque modèle de pertinence, modifie ses paramètres de façon itérative et le teste de régression par rapport aux données agrégées des signaux de recherche pour le profil de recherche. Lorsque ce processus de réglage est terminé, Recherche IA compare les modèles de pertinence existants et nouveaux pour voir lequel produit les meilleures correspondances pour le comportement de recherche des utilisateurs tel qu'enregistré dans les données de signaux historiques.
Si le nouveau modèle de pertinence produit de meilleurs résultats avec les données de signal, Recherche IA utilise ses valeurs de paramètres modifiées pour effectuer des évaluations A/B du trafic de recherche en direct pour le profil de recherche. Ces évaluations testent les changements de paramètres individuels pour vérifier qu'ils produisent une meilleure pertinence des recherches.
Remarque :
Pour plus de détails sur le cadre de travail d'évaluation des paramètres de requête de recherche utilisé pour effectuer des évaluations de tests A/B, reportez-vous à la section [Cadre de travail d'évaluation des paramètres de requête de recherche](https://servicenow-prod.fluidtopics.net/I25BpsnhSnAeizuUAjaTdg#srch-qry-parm-eval-fw-ais "Recherche IA effectue des évaluations de tests A/B qui comparent la pertinence des résultats pour d’autres ensembles de valeurs de paramètres de requête de recherche. Ces évaluations déterminent les modèles utilisés Recherche IA pour la pertinence du machine learning et pour les résultats Genius des questions-réponses.").
Si le nouveau modèle est plus performant que le modèle d'origine dans la comparaison historique des correspondances de recherche et dans les tests A/B, Recherche IA définissez-le comme modèle de pertinence actif pour le profil de recherche, remplaçant le modèle de pertinence existant. Le modèle de pertinence mis à jour reste utilisé jusqu'au début du cycle de réglage suivant.
Ces processus de réglage du modèle de pertinence se produisent séparément pour chaque profil de recherche. Les modifications apportées au modèle de pertinence dans un profil de recherche n'affectent pas les modèles de pertinence dans les autres profils de recherche.
Remarque :
Lorsque vous effectuez une mise à niveau vers Australia une version précédente, les scores de pertinence par défaut de vos résultats de recherche peuvent changer. Les modèles de pertinence entraînés dans la version précédente doivent continuer à produire le même ordre de résultats. Les modèles formés il y a plus d'une version peuvent revenir au modèle de pertinence par défaut.
Le réglage de la pertinence nécessite au moins 10 000 signaux d'événements de recherche stockés pour un profil de recherche. Si le profil de recherche a moins de 10 000 signaux stockés, le réglage de la pertinence échoue avec un message d'erreur et Recherche IA continue d'utiliser le modèle de pertinence d'origine pour ce profil de recherche.
## Modèle de pertinence pour les suggestions de saisie semi-automatique {#machine-learning-relevancy-ais__section_fpl_ljy_gtb}
Recherche IA utilise un modèle de pertinence dédié pour classer les enregistrements à afficher en tant que suggestions de saisie semi-automatique dans le champ de recherche. Ce modèle de pertinence note les enregistrements en fonction de leur actualisation et des correspondances des termes de la requête de recherche dans leurs champs de titre . Le système n'entraîne pas ce modèle de pertinence de suggestion de saisie semi-automatique. Pour plus d'informations sur la configuration des suggestions de saisie semi-automatique, reportez-vous à la section [Suggestions de saisie semi-automatique dans les Recherche IA applications](https://servicenow-prod.fluidtopics.net/f7ELYdMqVP6zTX8CIkRpbA#auto-complete-ais "Affichez automatiquement des suggestions intelligentes dans le champ d’entrée de votre application de recherche pour aider les utilisateurs à formuler leurs recherches ou à accéder directement aux résultats pertinents. Les suggestions peuvent inclure des résultats de recherche pertinents, des requêtes populaires, des requêtes récentes de l’historique personnel de l’utilisateur et des résultats de recherche populaires.").
## Affichage des scores de pertinence pour les résultats de recherche {#machine-learning-relevancy-ais__section_h4b_kb5_ffc}
Les administrateurs de Search peuvent afficher les scores des résultats de recherche dans l'interface utilisateur d'aperçu de la recherche à partir de l'application Outils de gestion avancés Recherche IAServiceNow® Store . Pour plus d'informations sur l'utilisation de cette fonctionnalité pour étudier le comportement de recherche, reportez-vous à la section [Interface utilisateur de prévisualisation de la recherche pour Recherche IA](https://servicenow-prod.fluidtopics.net/8QbUYiREVsVkhuE_nKQtkw#ai-search-preview "L’interface utilisateur d’aperçu de Search vous permet de tester Recherche IA des requêtes à l’aide des paramètres d’un profil de recherche sélectionné. Les outils administrateur vous aident à examiner les performances et les commentaires des requêtes de recherche, à déboguer les requêtes et à remplacer les paramètres de requête par défaut à des fins de test.").