WINDEV NOUVELLE VERSION 2026

RECHERCHE SAISIE : «SHOE» HFSQL TROUVE tique» est lancée. Gain apporté par la nouveauté 2026 : Tout est automatique 155 N o u v e a u t é W D W B WM UN MODÈLE PERSONNALISABLE L’embedding (le calcul des vecteurs) est réalisé par défaut par le modèle livré avec HFSQL. Il est possible de personnaliser ce modèle. Autre possibilité : Vous pouvez utiliser une rubrique de type «Vec- teur sémantique» pour directement indiquer la valeur d’un vecteur sémantique. Gain apporté par la nouveauté 2026 : Vite et bien 156 N o u v e a u t é W D W B WM EMBEDDING ET VECTEUR À 384 DIMENSIONS Lors de l’embedding, le texte est découpé en morceaux. Un vecteur est calculé pour chacun des morceaux. Dans le modèle livré, chaque vecteur possède 384 dimensions. Ces vecteurs constituent une collection de vecteurs attachés à ce texte. C’est cette collection qui est mise dans l’index. Tous les vecteurs sont organisés dans un espace vectoriel. Le cœur de l’index repose sur un graphe orienté multiniveau. Gain apporté par la nouveauté 2026 : Ça dépasse l’entendement 157 N o u v e a u t é W D W B WM GESTION DES FAUTES D’ORTHOGRAPHE Un bénéfice de ce type d’index (voire un usage détourné) est l’in- sensibilité des recherches aux fautes d’orthographe, de grammaire et à la dyslexie. Une recherche sémantique sur «Chaussure» trouve «cahssure» ou «chossur». Gain apporté par la nouveauté 2026 : Sa peut cervire 158 N o u v e a u t é W D W B WM RECHERCHE INSENSIBLE À LA LANGUE L’indexation et la recherche sont insensibles à la langue. La recherche de «shoes» trouvera les chaussures ! Gain apporté par la nouveauté 2026 : Trouvez la bonne shoes!!!. UN EXEMPLE EXPLICATIF Grâce à la recherche sémantique, un utilisateur qui saisit des termes descriptifs, qui ne sont pas présents dans le texte stocké, comme «manteau de mi-saison» peut obtenir des suggestions per- tinentes couvrant l’ensemble des produits adaptés (vestes, coupe- vent, parkas fines…), même si ces mots ne sont pas présents tels quels dans les descriptions. Le moteur interprète le besoin réel plutôt que de s’en tenir à une correspondance littérale des mots-clés. RECHERCHE SÉMANTIQUE DANS UN CATALOGUE DE VPC Imaginez un client qui visite un site de vente en ligne pour trou- ver une veste légère pour le printemps, mais il ne connaît pas la terminologie exacte. “manteau de mi-saison” Recherche classique (mots-clés exacts) : Le moteur propose unique- ment : les articles dont la fiche produit contient exactement “manteau” et “mi-saison”. Il manque : • des vestes coupe-vent lé- gères, • des blousons zippés non doublés, • des parkas fines déperlantes, car ces produits n’utilisent pas le terme «mi-saison». Recherche sémantique : Le moteur comprend que l’in- tention du client est de trouver un vêtement de dessus, léger, adapté à une météo douce ou variable. Le moteur propose donc aussi : • veste imperméable légère, • blouson de printemps, • anorak demi-saison, • parka coupe-vent sans dou- blure. Même si les mots recherchés ne figurent pas dans les fiches, la requête aboutit à des résul- tats pertinents du point de vue du besoin exprimé. 33 L e s n o u v e a u t é s W I ND E V 2 0 2 6 WE B D E V 2 0 2 6 W I ND E V Mo b i l e 2 0 2 6