O "Quis dizer" (DYM, do inglês did you mean) é uma funcionalidade de pesquisa que sugere uma consulta corrigida quando a entrada parece ter erros ou ser invulgar. Baseia-se em medidas de semelhança entre palavras, em modelos de linguagem e na análise de pesquisas frequentes. Exemplo: quem escrever "maquina de cafe" numa loja online vê "Quis dizer: máquina de café?". A funcionalidade reduz as páginas de resultados vazias e melhora, assim, a experiência de pesquisa.
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoA correspondência aproximada (fuzzy matching) encontra entradas semelhantes, mas não exatamente idênticas – por exemplo, devido a erros de digitação, abreviaturas ou grafias diferentes. Baseia-se em medidas de semelhança como a distância de Levenshtein, que conta quantos carateres têm de ser alterados. Uma utilização típica é encontrar duplicados em dados de moradas e de clientes: "Silva Lda, Rua Alta 5" e "Silva Limitada, R. Alta, n.º 5" são reconhecidos como provavelmente o mesmo registo.
A expansão de consulta acrescenta automaticamente termos relacionados a uma consulta de pesquisa, para que sejam também encontrados documentos relevantes que usem outra formulação. Os acrescentos típicos são sinónimos, abreviaturas, formas de palavras ou traduções: uma pesquisa por «cancelamento» pode então encontrar também textos sobre «rescisão de contrato». É particularmente útil na pesquisa por palavras-chave, mas pode reduzir a precisão se forem acrescentados termos em excesso ou inadequados. Hoje, utilizam-se muitas vezes modelos de linguagem para gerar as consultas expandidas.
A pesquisa com IA designa métodos de pesquisa que usam IA para compreender a intenção por trás de uma consulta, ponderar resultados e, muitas vezes, gerar uma resposta resumida com fontes em vez de uma simples lista de ligações. Tecnicamente, utilizam pesquisa por palavras-chave, pesquisa vetorial sobre embeddings ou uma combinação, frequentemente seguida de um modelo de linguagem. Exemplos são os motores de resposta na web e a pesquisa interna de conhecimento que ajuda os colaboradores a encontrar o que precisam em manuais e políticas.
A recuperação de informação abrange métodos que encontram, num grande corpo de texto, os documentos ou passagens que correspondem a uma consulta e os ordenam por relevância. As abordagens clássicas, como o BM25, ponderam os termos de pesquisa consoante a frequência e a raridade com que ocorrem; as mais recentes acrescentam a semelhança semântica. Está na base dos motores de pesquisa, da pesquisa empresarial e da geração aumentada por recuperação, em que um modelo de linguagem usa as passagens recuperadas como base da sua resposta.
