{"id":20673,"date":"2025-09-18T19:18:38","date_gmt":"2025-09-18T19:18:38","guid":{"rendered":"https:\/\/www.directimpactsolutions.com\/ia-et-filemaker-la-correspondance-dentites-partie-1-2\/"},"modified":"2025-11-06T03:54:35","modified_gmt":"2025-11-06T03:54:35","slug":"ia-et-filemaker-la-correspondance-dentites-partie-1-2","status":"publish","type":"post","link":"https:\/\/www.directimpactsolutions.com\/fr\/ia-et-filemaker-la-correspondance-dentites-partie-1-2\/","title":{"rendered":"IA et FileMaker : la correspondance d\u2019entit\u00e9s \u2013 Partie 1"},"content":{"rendered":"

Une approche technique pour exploiter Semantic Find afin de r\u00e9soudre le probl\u00e8me complexe du \u201cfuzzy matching\u201d<\/h4>
<\/path><\/svg><\/div>

\u00c9V\u00c9NEMENT \u00c0 VENIR : \u201cUsing AI to Handle Duplicates in FileMaker\u201d (Audio en anglais avec sous-titres simultan\u00e9s en fran\u00e7ais)<\/strong> <\/h3><\/div>

Rejoignez Direct Impact Solutions pour un webinaire en direct exclusif et d\u00e9couvrez comment l\u2019IA peut simplifier la recherche dans vos donn\u00e9es, d\u00e9tecter et nettoyer les doublons, et les pr\u00e9venir avant qu\u2019ils ne surviennent.\ud83d\udcc5 Date :<\/strong> 30 septembre 2025\u23f0 Heure : <\/strong>11h00 Pacifique \/ 14h00 Heure de l\u2019Est \/ 20h00 Europe Centrale<\/strong>\ud83d\udd17 R\u00e9servez votre place ici:<\/strong> Inscription au webinaire<\/a>Animateur : <\/strong>David Weiner, d\u00e9veloppeur s\u00e9nior et charg\u00e9 de projet chez Direct Impact SolutionsLangues : <\/strong>Audio en anglais avec sous-titres simultan\u00e9s en fran\u00e7aisNe manquez pas cette occasion unique d\u2019interagir avec nos experts et d\u2019explorer tout le potentiel de l\u2019IA dans FileMaker pour votre organisation !<\/p><\/div><\/div>

\"\"<\/figure>

Dans la partie 1 de cet article<\/a>, j\u2019ai d\u00e9crit en quoi la fonction Recherche s\u00e9mantique<\/strong> (Semantic Find) de FileMaker diff\u00e8re de la recherche classique, ce qu\u2019est la correspondance d\u2019entit\u00e9s<\/a> (Entity Matching) (et pourquoi elle est importante pour les utilisateurs de FileMaker) et comment la Recherche s\u00e9mantique peut faciliter les t\u00e2ches de d\u00e9duplication. Ici, dans la partie 2, je vais aborder en d\u00e9tail une approche de correspondance d\u2019entit\u00e9s dans FileMaker en utilisant la Recherche s\u00e9mantique pour effectuer un fuzzy matching. Je ne traiterai que bri\u00e8vement la mise en place de la Recherche s\u00e9mantique dans une solution FileMaker (de nombreux<\/a> autres<\/a> articles<\/a> couvrent d\u00e9j\u00e0 ce sujet en profondeur), mais je<\/em> pr\u00e9senterai les choix de conception sp\u00e9cifiques \u00e0 la correspondance d\u2019entit\u00e9s.<\/p>

Qu\u2019est-ce que la correspondance d\u2019entit\u00e9s ?<\/h2>

La correspondance d\u2019entit\u00e9s consiste \u00e0 d\u00e9terminer si deux enregistrements se rapportent \u00e0 la m\u00eame entit\u00e9 r\u00e9elle. C\u2019est indispensable dans de nombreux contextes et crucial pour la d\u00e9duplication des donn\u00e9es. C\u2019est aussi un probl\u00e8me r\u00e9current et difficile dans les syst\u00e8mes FileMaker que je c\u00f4toie au quotidien. <\/p>

Le probl\u00e8me de base consiste \u00e0 pouvoir comparer deux (ou plusieurs) enregistrements et \u00e0 d\u00e9terminer, de mani\u00e8re programmatique, s\u2019ils font r\u00e9ellement r\u00e9f\u00e9rence \u00e0 la m\u00eame chose. Est-ce que \u00ab Hanna C Beuler \u00bb est la m\u00eame personne que \u00ab Hannah Bueler \u00bb ? <\/p>

Enregistrement 1 : Hanna C Bueler, n\u00e9e le 03\/12\/1990<\/strong><\/p>

Enregistrement 2 : Hannah Beuler, n\u00e9e le 12\/03\/1990<\/strong><\/p>

Dans FileMaker, en utilisant la recherche classique \u00ab correspondance exacte \u00bb, il serait difficile de rep\u00e9rer<\/em> ces deux enregistrements pour les comparer (leurs orthographes et dates de naissance diff\u00e8rent), sans parler de d\u00e9terminer s\u2019ils correspondent. Un utilisateur humain verrait rapidement qu\u2019il s\u2019agit probablement de la m\u00eame personne, mais une recherche FileMaker simple ne le peut pas. C\u2019est l\u00e0 que la Recherche s\u00e9mantique entre en jeu. <\/p>

Rechercher une correspondance<\/h2>

Le processus habituel de recherche de doublons consiste \u00e0 interroger plusieurs champs (ou un champ calcul\u00e9 concat\u00e9n\u00e9) pour une correspondance exacte :<\/p>

Enter Find Mode [ Pause: Off ]\nSet Field [ Person::FirstName ; \u201cHanna\u201d ]\nSet Field [ Person::LastName ; \u201cBueler\u201d ]\nSet Field [ Person::DOB ; \u201c3\/12\/1990\u201d ]\nPerform Find [ ]<\/code><\/pre>
Cela va sans dire : si vous trouvez ce que vous cherchez par ce type de recherche standard, vous n\u2019avez pas besoin de la recherche s\u00e9mantique ! Vous avez trouv\u00e9 une correspondance et pouvez passer \u00e0 la suite. Cependant, si votre recherche initiale ne donne aucun r\u00e9sultat exact, il est temps d\u2019utiliser la recherche s\u00e9mantique pour rep\u00e9rer une correspondance proche (mais non exacte). La recherche s\u00e9mantique change la donne pour retrouver des enregistrements difficiles \u00e0 apparier une fois la recherche \u00ab exacte \u00bb \u00e9puis\u00e9e.   <\/p>
Configurer FileMaker pour la correspondance d\u2019entit\u00e9s<\/h2>
Pour effectuer une correspondance d\u2019entit\u00e9s \u00e0 l\u2019aide de la Recherche s\u00e9mantique dans FileMaker, nous devons d\u2019abord cr\u00e9er des vector embeddings<\/strong> pour nos donn\u00e9es d\u2019appariement.<\/p>
Embeddings<\/h2>
\"\"<\/figure>
Un embedding vectoriel est une repr\u00e9sentation num\u00e9rique de donn\u00e9es qui en capture le sens s\u00e9mantique. Nous stockons les embeddings de nos donn\u00e9es de recherche dans un champ conteneur. La Recherche s\u00e9mantique de FileMaker compare ensuite ces vecteurs \u00e0 votre requ\u00eate et renvoie un score de similarit\u00e9. La premi\u00e8re \u00e9tape consiste donc \u00e0 d\u00e9cider quelles donn\u00e9es vous souhaitez apparier et \u00e0 ajouter des champs conteneurs pour stocker leurs embeddings.   <\/p>
Bien que les embeddings puissent \u00eatre stock\u00e9s dans la table de recherche elle-m\u00eame, je pr\u00e9f\u00e8re les conserver dans une table distincte en relation un-\u00e0-un avec leur table de donn\u00e9es. Avec FileMaker 22 et son support int\u00e9gr\u00e9 d\u2019OpenAI, Anthropic ou Cohere, c\u2019est aussi simple qu\u2019utiliser l\u2019\u00e9tape de script \u00ab Ins\u00e9rer un embedding dans l\u2019ensemble trouv\u00e9 \u00bb et choisir les champs \u00e0 vectoriser : <\/p>
Insert Embedding in Found Set [ Account Name: \u201cMy_Semantic_Find\u201d ; Embedding Model: $$loaded_model ; Source Field: Person::ConcatenatedFirstLastDOB ; Target Field: EmbeddingTable::VectorizedFirstLastDOB ; Replace target contents ]<\/code><\/pre>
J\u2019ai choisi d\u2019utiliser le mod\u00e8le d\u2019embedding Gemini de Google <\/a>au lieu de l\u2019un des fournisseurs int\u00e9gr\u00e9s, car :<\/p>
  1. J\u2019aime les outils Google<\/li>\n\n
  2. Les performances et la pr\u00e9cision du mod\u00e8le sont excellentes<\/li>\n\n
  3. Les embeddings font la moiti\u00e9 de la taille de ceux d\u2019OpenAI (6k contre 12k)<\/li>\n\n
  4. Leur mod\u00e8le d\u2019embedding est gratuit<\/a><\/li><\/ol>
    Utiliser Gemini demande un peu plus de travail, car il faut faire un appel REST avec l\u2019\u00e9tape \u00ab Ins\u00e9rer \u00e0 partir de l\u2019URL \u00bb, analyser les donn\u00e9es du vecteur obtenu et stocker l\u2019embedding dans un champ conteneur sous forme de fichier binaire (en utilisant la fonction \u00ab GetEmbeddingAsFile \u00bb), mais ce n\u2019est pas difficile si vous \u00eates familier avec les appels API dans FileMaker.<\/p>
    \"\"<\/figure>
    Une fois nos embeddings ajout\u00e9s, nous pouvons commencer \u00e0 interroger notre table de donn\u00e9es avec la Recherche s\u00e9mantique.<\/p>
    Consid\u00e9rations pour les embeddings<\/h2>
    La correspondance d\u2019entit\u00e9s est diff\u00e9rente d\u2019une recherche s\u00e9mantique ordinaire, car nous ne cherchons pas tant la similarit\u00e9 de sens <\/em>qu\u2019une simple similarit\u00e9. Nous voulons apparier \u00ab Hannah Beuler<\/strong> \u00bb avec \u00ab Hanna C Bueler<\/strong> \u00bb, pas avec [plusieurs paragraphes sur la vie de Hanna C Bueler<\/em>]. Ainsi, il suffit de cr\u00e9er des embeddings d\u2019une s\u00e9lection de champs utilis\u00e9s pour l\u2019appariement. Et comme ces champs sont g\u00e9n\u00e9ralement courts, le nombre de tokens<\/a> reste faible.   <\/p>
    Pour choisir quoi vectoriser pour la correspondance d\u2019entit\u00e9s, la m\u00e9thode que j\u2019ai utilis\u00e9e avec succ\u00e8s consiste \u00e0 cr\u00e9er un champ calcul\u00e9 de courte phrase d\u2019appariement qui, si identique \u00e0 votre requ\u00eate, repr\u00e9senterait une correspondance parfaite. Par exemple, si vous cherchez une personne, vous pouvez cr\u00e9er un champ calcul\u00e9 compos\u00e9 du Pr\u00e9nom, Nom, Date de naissance et Num\u00e9ro de t\u00e9l\u00e9phone. Si vous cherchez une organisation, vous pouvez utiliser Nom de l\u2019organisation, Adresse et Num\u00e9ro de t\u00e9l\u00e9phone. Pour un produit de catalogue, vous pouvez utiliser Description de l\u2019article et Taille. Voici quelques directives de base :     <\/p>