Le reranker reclasse une liste de passages candidats pour garder les plus pertinents avant de les donner au modèle. Voici ce qu’il apporte après une première recherche, ce qu’il ne répare pas, et comment l’évaluer honnêtement sur votre corpus.
Définition
Dans un RAG, la première recherche ramène un ensemble de chunks « possibles ». Cette liste est imparfaite : proches sémantiquement mais hors sujet, doublons, passages trop généraux. Le reranker examine la paire question / passage et produit un nouvel ordre, parfois un score. On ne garde ensuite que le top pertinent pour le modèle lecteur.
Ce que le mot ne désigne pas : ce n’est pas un LLM qui « répond ». Ce n’est pas non plus la recherche hybride elle-même, même si les deux se combinent bien. Ce n’est pas une garantie de vérité : un passage bien classé peut être faux factuellement s’il est dans vos sources. Et ce n’est pas un substitut à un chunking absurde : on ne reclasse pas magiquement ce qui n’a jamais été indexé correctement.
Le reranker est donc un filtre de qualité sur une shortlist. Son intérêt croît quand vos documents se ressemblent (versions annuelles, gammes produits, procédures proches). Son intérêt baisse si la première recherche rate déjà la cible : dans ce cas, corrigez indexation et hybride avant d’ajouter une seconde passe coûteuse.
Un exemple du quotidien
Imaginez une recherche dans une bibliothèque : l’ordinateur vous sort vingt livres « voisins ». Un bibliothécaire expérimenté les reclasse selon votre question précise et n’en garde que trois sur le plateau. Le reranker joue ce rôle de second regard. Il coûte un peu de calcul ; il peut économiser beaucoup de contexte inutile.
Dans une interface locale, activer un reranker se traduit souvent par : récupérer plus de candidats en première passe, puis n’en injecter que peu après reclassement. Le ressenti utilisateur, c’est moins de réponses qui citent un paragraphe à côté. Le ressenti technique, c’est un peu plus de latence et parfois un modèle de rerank à télécharger.
Un exemple en Hauts-de-France
À Beauvais, une association gère un wiki de procédures RH (congés, notes de frais). Sans reranker, le chat ramène souvent la mauvaise année de la procédure parce que les textes se ressemblent. Après activation d’un reranker et un jeu de questions tests, les agents voient plus souvent le bon vintage. Le gain n’est pas un score public inventé : c’est le taux de bonnes citations sur leur corpus.
À Creil, une TPE industrielle combine recherche hybride et reranker pour les références pièces. Les mots-clés attrapent les codes ; le reranker départage les notices proches. L’atelier IAHDF insiste : mesurez avant/après sur vingt questions réelles, plutôt que d’activer tous les curseurs d’un coup sans méthode.
On confond souvent
Première confusion : croire que le reranker remplace un bon embedding ou un bon chunking. Non. Il améliore une shortlist. Si le bon passage n’est jamais candidat, le reranker ne l’inventera pas. Deuxième confusion : confondre reranker et modèle de chat. Ce sont des rôles différents ; parfois des familles de modèles différentes.
Autre mélange : penser que « plus de candidats + rerank » est toujours mieux. Au-delà d’un certain volume, vous payez de la latence pour peu de gain, ou vous ramenez du bruit que le reranker n’écarte pas parfaitement. Cadrez top-k initial et final. Documentez les valeurs retenues.
En pratique, que faire avec ce mot
Mettez d’abord le chunking et une recherche saine. Puis activez un reranker si votre outil le propose, avec un protocole simple : corpus fixe, questions oracles, comparaison avec/sans. Gardez le nombre de passages injectés raisonnable pour le contexte du modèle. Observez latence et pertinence, pas un benchmark internet non sourcé.
Croisez chunking, base vectorielle et recherche hybride. Dans une stack Open WebUI / tutoriel Qwen, le reranker est un levier de réglage, pas une baguette. Et rappelez-vous : un passage parfaitement classé peut rester confidentiel — ne l’injectez que si l’utilisateur a le droit de le voir.
Quand vous évaluez un reranker, construisez une petite banque de questions pièges : noms propres, numéros d’articles, synonymes locaux. Comparez les passages retenus avec et sans rerank, à budget de contexte égal. Si le gain est invisible sur vos textes, ne payez pas la latence. Si le gain est clair, documentez le modèle de rerank et la version, comme vous le feriez pour le LLM principal.
Termes voisins
| Terme | Rôle utile |
|---|---|
| Chunking | Crée les passages candidats possibles. Voir chunking. |
| Recherche hybride | Améliore la première liste (mots-clés + sens). Voir recherche hybride. |
| Top-k | Nombre de passages gardés après recherche ou après rerank. |
| Base vectorielle | Stocke les embeddings des chunks. Voir base vectorielle. |
Pour aller plus loin
Pipeline documentaire : chunking, hybride, base vectorielle. Ateliers : l’agenda. Communauté : l’inscription.
Questions fréquentes
À quoi sert un reranker ?
À reclasser des passages déjà trouvés pour privilégier ceux qui collent le mieux à la question, avant de les donner au modèle. Il réduit souvent le bruit dans le contexte. Il n’écrit pas la réponse finale. Il ne remplace pas vos sources. Sur un corpus interne, son utilité se juge au taux de bonnes citations et à la baisse d’hallucinations « hors doc », pas à une note marketing. Notez le choix, testez sur vos textes, et faites relire un humain avant tout envoi engageant.
Dois-je toujours l’activer ?
Pas forcément. Sur un tout petit corpus très propre, une recherche simple peut suffire. Dès que les documents se ressemblent (versions, procédures, catalogues), le reranker devient intéressant. Activez-le quand vous avez un protocole de test. Évitez d’empiler latence et complexité sans gain mesuré sur vos questions. Notez le choix, testez sur vos textes, et faites relire un humain avant tout envoi engageant. Conservez la version d’outil et du modèle pour pouvoir expliquer la décision à un collègue.
Reranker et recherche hybride, quel ordre ?
En pratique, on construit souvent une première liste via recherche vectorielle, mots-clés ou hybride, puis on reclasse. L’hybride enrichit les candidats ; le reranker les ordonne. Les deux se complètent. Si vos échecs portent sur des codes et noms propres, commencez par l’hybride ; si la shortlist est bonne mais mal ordonnée, le reranker aide davantage. Notez le choix, testez sur vos textes, et faites relire un humain avant tout envoi engageant.
Le reranker consomme-t-il beaucoup de ressources ?
Il ajoute un coût de calcul et parfois un modèle dédié à télécharger. L’ordre de grandeur dépend de l’outil, du nombre de candidats et du matériel. Sur une machine déjà juste pour le LLM, mesurez la latence avant/après. Parfois réduire le top-k initial suffit à rester confortable. Refusez les chiffres exacts de forum non contextualisés. Notez le choix, testez sur vos textes, et faites relire un humain avant tout envoi engageant.
Comment mesurer le gain sans se mentir ?
Fixez un jeu de questions dont vous connaissez le passage attendu. Mesurez si ce passage apparaît dans le top injecté, avec et sans reranker. Regardez aussi la qualité de réponse et le temps. Un « gain » anecdotique sur une seule question ne compte pas. Gardez le jeu de tests versionné comme le reste de votre documentation. Notez le choix, testez sur vos textes, et faites relire un humain avant tout envoi engageant.