Métadonnées structurées
Des champs définis plutôt qu’un paragraphe libre.
ÉTUDE DE CAS OJC LABS · SUPABASE · PGVECTOR · MAILLAGE INTERNE
Enrichissement IA avec validation et maillage interne sémantique
OJC Labs a testé un moteur d’enrichissement IA Supabase dans un système d’automatisation de contenu, associant données structurées, Python, logique multi-agent, validation et pgvector.
200contenus traités par heure
Structurémétadonnées et taxonomie
Sémantiquecandidats fondés sur le sens
Contrôlévalidation avant écriture
Le problème du contenu à grande échelle
Publier n’est que le début des opérations de contenu
Chaque nouvelle page ajoute du travail au-delà de la rédaction :
- Attribuer la bonne catégorie et le bon sujet
- Générer et vérifier les métadonnées
- Relier la page aux contenus commerciaux et pédagogiques pertinents
- Éviter de recommander toujours les mêmes destinations
- Respecter la langue et le type de contenu
- Prévenir les pages orphelines
- Mettre à jour les anciens contenus lors d’un changement de taxonomie
- Valider l’enrichissement avant publication
Sans système de contenu, les équipes réalisent ce travail manuellement ou l’ignorent.
Pourquoi tester avant de vendre
Le rapprochement sémantique semble simple jusqu’à la publication de liens inutiles
Le système doit définir les contenus éligibles, les champs requis, les relations acceptables et la conduite à tenir lorsque le modèle renvoie une mauvaise structure.
- Débit : traiter une file significative.
- Cohérence : rendre la même structure.
- Pertinence : choisir selon le sens.
- Contrôle : bloquer les sorties invalides.
VUE DU WORKFLOW
Orchestration complète de l’enrichissement
Ce que produisait le moteur
Un enrichissement structuré exploitable par les systèmes en aval
SORTIE STRUCTURÉE
Un contenu enrichi avec état de validation
Taxonomie et catégorisation
Une structure contrôlée évite que chaque auteur invente un nouveau libellé.
Représentations sémantiques
Les embeddings comparent le sens grâce à pgvector.
Candidats au maillage interne
La similarité identifie des destinations liées par le sens.
État de validation
Les sorties sont contrôlées avant de poursuivre.
Pourquoi Supabase
Une seule couche de données pour les contenus et relations vectorielles
Postgres et pgvector conservaient champs structurés, états, embeddings et requêtes de similarité dans un environnement interrogeable.
- Contenus structurés
- Champs et états d’enrichissement
- Embeddings vectoriels
- Requêtes de similarité
- Accès Python et workflow
Le service vendu est l’opération complète, pas une « installation Supabase ».
CHAMPS SUPABASE
Champs de contenu et vecteurs anonymisés
CANDIDATS SÉMANTIQUES CLASSÉS
Source et pages liées proposées
Des mots-clés au sens
Un meilleur rapprochement crée un meilleur réseau de contenu
La similarité sémantique trouve des relations que la correspondance exacte manque. Elle doit être complétée par des règles de langue, canonique, statut, type de contenu, nombre de liens et approbation.
Le modèle identifie le sens ; le système décide ce qui est autorisé.
Résultats validés
Le moteur a prouvé sa capacité et le contrôle des sorties
- La vitesse a atteint 200 contenus par heure dans le workflow validé
- Le moteur a généré métadonnées, taxonomie et catégorisation structurées
- Les sorties étaient contrôlées avant utilisation
- Python et une logique multi-agent coordonnaient les étapes
- La similarité vectorielle et pgvector soutenaient la recherche de pages liées
- Le maillage dépassait la simple correspondance de mots-clés
- Le workflow constitue une base technique pour un service client
Aucune hausse de classement, de trafic ou de revenu n’est revendiquée sans données client après déploiement.
Ce qu’OJC Labs peut construire
L’enrichissement IA et le maillage interne comme service
- Ingestion du corpus et du sitemap
- Enrichissement des métadonnées et de la taxonomie
- Schémas de sortie structurée et validation
- Génération et stockage des embeddings
- Recherche sémantique ou hybride
- Génération de candidats au maillage interne
- Restrictions de langue, canonique et type de contenu
- Contrôle des ancres et répétitions
- Files d’approbation éditoriale ou SEO
- Écriture dans le CMS ou la base
- Validation du crawl après publication
- Suivi, reprises et journaux d’audit
- Reporting des suggestions traitées, acceptées et rejetées
Le service peut rejoindre des systèmes SEO et d’indexation ainsi qu’un CMS existant.
Ce qui doit rester humain
L’automatisation peut prioriser ; l’équipe éditoriale reste responsable du sens et du risque
- Le lien concerne une page réglementée ou juridiquement sensible
- Le candidat modifie une priorité commerciale
- Le contenu utilise une terminologie spécialisée
- Les pages traduites n’ont pas les mêmes destinations
- L’ancre pourrait suggérer une affirmation non soutenue
- Le responsable éditorial réorganise la taxonomie
Questions fréquentes
L’enrichissement de contenu IA, expliqué
Qu’est-ce que l’enrichissement de contenu par IA ?
Il ajoute à un contenu existant des informations structurées : résumés, métadonnées, catégories, entités, sujets, pages liées, embeddings et contrôles qualité.
Qu’est-ce que le maillage interne sémantique ?
Il utilise le sens et le contexte des pages pour repérer des relations pertinentes, même lorsque deux contenus emploient des mots différents. Des règles SEO et éditoriales doivent toujours décider si le lien est publiable.
Qu’est-ce que pgvector ?
pgvector est une extension Postgres qui stocke et compare des embeddings vectoriels, c’est-à-dire des représentations numériques du sens.
Pourquoi utiliser Supabase ?
Supabase réunit Postgres, API et fonctions vectorielles. Le contenu structuré, l’état du traitement et les embeddings restent interrogeables par le workflow.
Le système publie-t-il automatiquement les liens internes ?
Il peut le faire, mais ce n’est pas obligatoire. OJC Labs peut imposer une validation humaine, automatiser seulement les candidats à forte confiance ou combiner les deux.
Le maillage automatisé garantit-il de meilleurs classements ?
Non. Les liens pertinents améliorent découverte, crawl et structure, mais le classement dépend aussi du contenu, de l’autorité, de l’intention et de la concurrence.
Le système peut-il enrichir un contenu existant ?
Oui, pour les contenus nouveaux ou historiques, si les sources et destinations sont accessibles et si le schéma d’enrichissement est défini.