La recherche en profondeur ouverte arrive pour défier la perplexité et la recherche de chatpt

Si vous êtes dans le monde de la technologie, vous avez probablement entendu parler de l'engouement autour d'Open Deep Search (ODS), le nouveau cadre open-source de la Sentient Foundation. ODS fait des vagues en offrant une alternative robuste aux moteurs de recherche AI propriétaires comme Perplexity et ChatGPT Search, en mettant l'accentonado sur l'autonomisation des grands modèles de langage (LLMs) avec des agents de raisonnement avancés qui exploitent la recherche web et d'autres outils pour répondre efficacement à vos questions.

Le paysage de la recherche AI

Les outils de recherche AI actuels, comme Perplexity et ChatGPT Search, sont impressionnants, combinant les connaissances et le raisonnement des LLMs avec une recherche web en temps réel pour fournir des réponses à jour. Cependant, ces systèmes sont souvent verrouillés derrière des portes propriétaires, ce qui peut rendre la personnalisation et les applications spécialisées difficiles.

Himanshu Tyagi, cofondateur de Sentient, a partagé avec VentureBeat : « La plupart des innovations dans la recherche AI se sont faites à huis clos. Les efforts open-source ont historiquement été à la traîne en termes d'utilisabilité et de performance. ODS vise à combler cet écart, prouvant que les systèmes ouverts peuvent non seulement rivaliser, mais potentiellement surpasser leurs homologues fermés en qualité, vitesse et flexibilité. »

Architecture d'Open Deep Search (ODS)

ODS n'est pas juste un autre outil ; c'est un système prêt à l'emploi que vous pouvez intégrer avec des modèles open-source comme DeepSeek-R1 et des modèles fermés comme GPT-4o et Claude. Au cœur d'ODS, il y a deux composants principaux :

Outil de recherche ouverte

Ce composant prend votre requête et explore le web pour trouver des informations pertinentes à renvoyer au LLM comme contexte. Il est intelligent, reformulant votre requête de diverses manières pour garantir une recherche large et diversifiée. Après avoir récupéré les résultats d'un moteur de recherche, il extrait des extraits et des pages liées, puis utilise la segmentation et le reclassement pour cibler le contenu le plus pertinent. Il excelle particulièrement dans la gestion de sources spécifiques comme Wikipédia, ArXiv et PubMed, et peut être incité à privilégier des sources fiables face à des informations contradictoires.

Agent de raisonnement ouvert

Cet agent prend votre requête et, en utilisant le LLM de base et divers outils (y compris l'outil de recherche ouverte), élabore une réponse finale. Sentient propose deux architectures d'agents distinctes au sein d'ODS :

ODS-v1

Cette version utilise un cadre d'agent ReAct combiné au raisonnement Chain-of-Thought (CoT). Les agents ReAct alternent entre des étapes de raisonnement (« pensées »), des actions (comme l'utilisation de l'outil de recherche) et des observations (les résultats de ces actions). ODS-v1 itère à travers ce processus pour arriver à une réponse. Si l'agent ReAct rencontre un obstacle, il se rabat sur la cohérence CoT, échantillonnant plusieurs réponses CoT et choisissant la plus courante.

ODS-v2

Cette version utilise Chain-of-Code (CoC) et un agent CodeAct, construit avec la bibliothèque Hugging Face SmolAgents. CoC exploite la capacité du LLM à générer et exécuter des extraits de code pour résoudre des problèmes, tandis que CodeAct utilise la génération de code pour planifier des actions. ODS-v2 peut gérer plusieurs outils et agents, ce qui le rend idéal pour aborder des tâches complexes nécessitant une planification sophistiquée et plusieurs itérations de recherche.

Architecture ODS Crédit : arXiv

Tyagi a expliqué : « Alors que des outils comme ChatGPT ou Grok offrent une 'recherche approfondie' via des agents conversationnels, ODS opère à un niveau différent—plus comme l'infrastructure derrière Perplexity AI—fournissant l'architecture sous-jacente qui alimente la récupération intelligente, pas seulement des résumés. »

Performance et résultats pratiques

Sentient a testé ODS en l'associant au modèle open-source DeepSeek-R1 et en le confrontant à des concurrents fermés comme Perplexity AI et GPT-4o Search Preview d'OpenAI, ainsi qu'à des LLMs autonomes comme GPT-4o et Llama-3.1-70B. Ils ont utilisé les benchmarks FRAMES et SimpleQA, adaptés pour évaluer la précision des systèmes AI activés par la recherche.

Les résultats ? Impressionnants. ODS-v1 et ODS-v2, associés à DeepSeek-R1, ont surpassé les produits phares de Perplexity. ODS-v2 avec DeepSeek-R1 a même dépassé le GPT-4o Search Preview sur le benchmark complexe FRAMES et s'est rapproché sur SimpleQA.

Une observation fascinante était l'efficacité du cadre. Les agents de raisonnement des deux versions d'ODS ont appris à utiliser l'outil de recherche judicieusement, décidant souvent si une autre recherche était nécessaire en fonction de la qualité des résultats initiaux. Par exemple, ODS-v2 a utilisé moins de recherches web sur les tâches SimpleQA plus simples par rapport aux requêtes multi-sauts plus complexes de FRAMES, optimisant l'utilisation des ressources.

Implications pour les entreprises

Pour les entreprises souhaitant exploiter des capacités de raisonnement AI puissantes avec des informations en temps réel, ODS change la donne. Il offre une alternative transparente, personnalisable et performante aux systèmes de recherche AI propriétaires. La possibilité d'intégrer des LLMs open-source et des outils préférés permet aux organisations de personnaliser leur pile AI et d'éviter d'être enfermées avec un seul fournisseur.

« ODS a été conçu avec la modularité à l'esprit », a noté Tyagi. « Il sélectionne dynamiquement les outils à utiliser en fonction des descriptions fournies dans la requête. Cela signifie qu'il peut interagir avec des outils inconnus de manière fluide—tant qu'ils sont bien décrits—sans avoir besoin d'une exposition préalable. »

Cependant, il a averti que les performances d'ODS peuvent souffrir si l'ensemble d'outils devient trop encombré, « donc une conception soignée est cruciale. »

Sentient a rendu le code ODS disponible sur GitHub, invitant la communauté à explorer et à contribuer.

« Initialement, la force de Perplexity et ChatGPT était leur technologie avancée, mais avec ODS, nous avons nivelé ce terrain technologique », a conclu Tyagi. « Nous visons maintenant à surpasser leurs capacités grâce à notre stratégie 'entrées ouvertes et sorties ouvertes', permettant aux utilisateurs d'intégrer de manière fluide des agents personnalisés dans Sentient Chat. »