💡 Le Grounding : Ancrer les LLMs dans la rĂ©alitĂ©

Les modĂšles de langage (LLMs) sont limitĂ©s par leur dataset d'entraĂźnement et leur date de cut-off. Le grounding (ancrage) consiste Ă  appuyer leurs rĂ©ponses sur des recherches en ligne en temps rĂ©el (chez Google, Bing, Brave..), garantissant ainsi la fraĂźcheur des informations et le fact-checking. Le Fan-Out dĂ©compose la question en multiples requĂȘtes et explore parallĂšlement diffĂ©rentes perspectives pour des rĂ©ponses complĂštes et vĂ©rifiables.

📐 Architecture du Fan-Out

đŸ‘€ Prompt Utilisateur

"Quel est le meilleur écran TV du marché ?"

🧠 GĂ©nĂ©ration de RequĂȘtes

Le LLM analyse le contexte et gĂ©nĂšre plusieurs requĂȘtes de recherche ciblĂ©es

📊
Query 1
best TVs 2025 reviews EN
⚖
Query 2
meilleur TV OLED QLED FR
🎯
Query 3
comparatif téléviseur 2025 FR

📚 RĂ©cupĂ©ration des Contenus

Recherche dans l'index et rĂ©cupĂ©ration des contenus pertinents pour chaque requĂȘte

Analyse LLM
Suffisant pour répondre ?
✓ OUI
✗ Content Gap

💬 GĂ©nĂ©ration de la RĂ©ponse

SynthÚse des informations et génération d'une réponse complÚte avec sources (RFF*)

đŸ›ïž Exemples RĂ©els E-commerce

đŸ“ș Exemple 1: TVs

URLs uniques: 37 | Fan-out moyen: 18.5
Prompt: "quel est le meilleur écran tv du marché ?"
1 best TVs 2025 reviews France EN
2 meilleur téléviseur OLED QLED comparatif FR

🛮 Exemple 2: Trottinettes

URLs uniques: 65 | Fan-out moyen: 21.7
Prompt: "quelle est la meilleure trottinette du marché ?"
1 best electric scooter reviews 2025 EN
2 meilleure trottinette Ă©lectrique 2025 test France FR
3 top trottinette Ă©lectrique comparatif avis FR

💡 Pattern observĂ© : ChatGPT gĂ©nĂšre souvent une ou plusieurs requĂȘtes en anglais (sources internationales) en plus de requĂȘtes en français (sources locales) pour les utilisateurs FR.

1-3
Fan-outs - mode standard
10 - 30
Fan-out - mode thinking
18-22
URLs/Fan-out Moyen
10 Ă  200
URLs uniques par conversation

🔄 Mode Thinking / Deep Search (RĂ©cursif)

📊 Évolution Dynamique des Fan-outs

En mode thinking ou Chain of Thought (CoT), le systÚme ne se contente pas d'un seul fan-out. Il analyse les premiers résultats et génÚre de nouveaux fan-outs adaptés :

🎯 Fan-out 1: Exploration initiale large
↓ Analyse des rĂ©sultats
🎯 Fan-out 2: RequĂȘtes affinĂ©es basĂ©es sur les dĂ©couvertes
↓ Identification des lacunes
🎯 Fan-out 3: Recherches ciblĂ©es pour combler les manques
↓ Validation et approfondissement
🎯 Fan-out N: ItĂ©rations jusqu'Ă  satisfaction complĂšte

Exemple Concret

Prompt: "Stratégie marketing e-commerce 2025"

📍 Fan-out 1: Tendances gĂ©nĂ©rales
→ DĂ©couvre l'importance de l'IA

📍 Fan-out 2: IA dans le e-commerce
→ Identifie la personnalisation

📍 Fan-out 3: Outils de personnalisation
→ Trouve des cas d'usage spĂ©cifiques

📍 Fan-out 4: ROI et mĂ©triques
→ ComplĂšte avec des donnĂ©es chiffrĂ©es

🎯 Points ClĂ©s du Fan-Out

⚡

Parallélisation Intelligente & Récursivité

Mode standard : Les requĂȘtes sont exĂ©cutĂ©es simultanĂ©ment en parallĂšle.
Mode thinking/CoT (Chain of Thought) : Fan-outs rĂ©cursifs oĂč chaque vague de recherches s'adapte et Ă©volue en fonction des rĂ©sultats prĂ©cĂ©dents, permettant un approfondissement progressif et une exploration dynamique des sujets complexes.

🎹

Diversité des Perspectives

Chaque branche explore un angle différent (comparatifs, avis, specs techniques, prix...) pour une vision à 360°.

🔄

Content Gap Detection

Le systÚme identifie automatiquement les manques d'information et peut déclencher des recherches supplémentaires.

đŸ—ïž

Contextualisation

IntĂ©gration du contexte utilisateur et temporel pour personnaliser les requĂȘtes (localisation, prĂ©fĂ©rences, pĂ©riode).

✹

* SynthĂšse Intelligente

Le LLM agrÚge et synthétise toutes les sources en une réponse cohérente avec citations et références. Les documents apparaissant dans plusieurs branches du fan-out sont automatiquement priorisés via RRF (Reciprocal Rank Fusion), une technique qui calcule un score basé sur le rang de chaque résultat (1/(k+rang)). Cette fusion intelligente fait naturellement émerger les sources les plus pertinentes et consensuelles pour construire la réponse finale.

🆚 Fan-Out vs Recherche Traditionnelle

🔍 Recherche Classique

  • ‱ Une seule requĂȘte utilisateur
  • ‱ Expansion de requĂȘte et IA pour le retrieval
  • ‱ Contextualisation basique (langue, position, historique)
  • ‱ Traitement optimisĂ© mais mono-requĂȘte
  • ‱ Liste de rĂ©sultats Ă  explorer
  • ‱ L'utilisateur doit synthĂ©tiser

✅ Fan-Out Conversationnel

  • ‱ Multiples requĂȘtes gĂ©nĂ©rĂ©es par LLM
  • ‱ ComprĂ©hension profonde de l'intention
  • ‱ Contexte conversationnel complet
  • ‱ Fan-outs parallĂšles et rĂ©cursifs
  • ‱ RĂ©ponse directe et synthĂ©tisĂ©e
  • ‱ Adaptation dynamique selon les rĂ©sultats

💡 La vraie diffĂ©rence : Les moteurs de recherche traditionnels, mĂȘme avec l'IA, traitent une seule intention de recherche Ă  la fois.
Les moteurs conversationnels décomposent la question en multiples perspectives simultanées, puis synthétisent une réponse unique et personnalisée.

Powered by Resoneo