Comment les LLM utilisent les entités pour valider une source
Lors du grounding — le processus par lequel un LLM récupère des sources externes pour composer une réponse — le modèle évalue chaque source candidate sur plusieurs critères. L’un d’eux est la cohérence des entités nommées avec sa propre représentation interne du sujet. Si une capsule mentionne « Google Search Console » (nom exact de l’outil), « Core Update de mars 2024 » (événement précis) et « 226 000 pages indexées » (chiffre vérifiable), le modèle peut confronter ces entités à son corpus d’entraînement et confirmer leur plausibilité.
À l’inverse, une capsule qui écrit « les outils de Google » ou « une récente mise à jour » sans précision ne fournit pas d’entités anchorables. Le modèle ne peut pas valider ces formulations vagues et préfère une source qui lui donne des points de référence concrets. C’est la raison pour laquelle nos rédacteurs ont pour instruction d’éviter les périphrases vagues sur les entités techniques et de toujours nommer précisément les outils, algorithmes et standards référencés.
Entités de premier et de second ordre dans une capsule
Les entités de premier ordre sont les entités principales du sujet : le nom de l’algorithme, le nom de l’outil, le nom de l’entreprise citée en exemple. Les entités de second ordre sont les entités contextuelles : la date de l’événement, la source d’une statistique, la norme technique applicable. Une capsule efficace contient au moins deux entités de premier ordre et une de second ordre.
Exemple concret : « La directive Crawl-delay dans robots.txt (entité 1er ordre) permet de limiter la fréquence de crawl de Googlebot (entité 1er ordre). Google recommande de ne pas descendre sous 1 seconde (entité 2e ordre : valeur précise) ; en dessous, Googlebot ralentit spontanément pour préserver la stabilité du serveur. » Cette capsule contient trois entités anchorables ; un LLM peut vérifier chacune indépendamment et valider la cohérence de l’ensemble.
Aligner les entités entre la page, le Schema.org et les plateformes tierces
La cohérence des entités ne s’arrête pas à la capsule. Les LLM croisent la page web avec d’autres sources lors du grounding : la fiche Google Business Profile, la fiche Wikidata, les mentions dans d’autres articles. Si le nom de l’entreprise est écrit « PageOneBoost Technologies » sur la page et « PageOne Boost Tech » sur Wikidata, le modèle détecte une ambiguïté et préfère une source où les entités sont cohérentes sur toutes les surfaces.
Notre processus d’alignement d’entités s’exécute trimestriellement : nous comparons la liste des entités principales de nos pages (extraite automatiquement par NER) avec leur représentation sur Wikidata, Wikipedia, notre Knowledge Graph Google, et les annuaires sectoriels. Toute divergence de nom, de date ou de chiffre clé est corrigée sur toutes les surfaces simultanément, pas seulement sur le site web.
Questions fréquentes
Les entités nommées doivent-elles être balisées en Schema.org pour être reconnues par les LLM ?
Non, mais le balisage Schema.org augmente la probabilité de reconnaissance correcte. Les LLM modernes effectuent une extraction d’entités sur le texte brut, mais le balisage structuré (Person, Organization, Place, Event) réduit l’ambiguïté sur les entités polysémiques — un nom de ville qui est aussi un prénom, par exemple. Le balisage est un renforcement, pas une condition nécessaire.
Peut-on surcharger une capsule d’entités pour augmenter son taux de sélection ?
Non. Au-delà de 4 entités dans une capsule de 50 mots, la densité d’entités dépasse le seuil de lisibilité naturelle et le texte ressemble à une liste structurée plutôt qu’à une réponse. Les LLM qui effectuent un scoring de lisibilité peuvent déprioriser les capsules à densité d’entités anormalement élevée. Notre cible est 2 à 4 entités sur 45-60 mots.