Utilisation d'un modèle de machine learning pour pour le rescoring Elasticsearch

Timothée Dehouck

Data Scientist

Malt

Elasticsearch avec son système d’index inversé est une solution extrêmement pratique pour construire un moteur de recherche performant. Toutefois, une fois arrivé à une pertinence des résultats de recherche raisonnable, il est assez difficile de continuer à l’améliorer. En effet, un moteur de recherche complexe nécessite un nombre important de poids qu’il est très dur d’équilibrer à la main. D'un autre côté, le machine learning et la NLP permettent de trouver de très bons résultats en terme de pertinence. Mais face à un grand nombre de documents, le temps de réponse d’un modèle de machine learning peut poser problème. Dans cette présentation, nous allons voir comment à Malt nous essayons de tirer avantage des deux solutions avec la construction d’un plugin Elasticsearch de rescoring qui utilise le machine learning.

Enregistrement réalisé lors du Meetup ElasticFR Paris #48 virtuel.