Ingénierie
Comment freedam est construit
Des articles techniques détaillés, écrits par l’équipe qui développe Freedam : comment fonctionnent la recherche, le classement et le rappel, avec les paramètres, les cas d’échec et les mesures qui ont tranché chaque décision.
La série sur la recherche7 partiesenviron 166 min au total
Partie 1 · Commencez ici
Ce qu’il faut vraiment pour construire une bonne recherche d’images
Ce que nous avons appris en construisant une recherche d’images (mots-clés, embeddings, PostgreSQL), dont ce qui pèse plus sur le rappel que sur le classement.
Partie 2
Comment nous avons construit la recherche d’images dans PostgreSQL
Une pile de recherche d’images en production : pg_textsearch pour BM25, pgvector pour la recherche vectorielle HNSW et la fusion de rangs, dans PostgreSQL.
27 min de lecture
Partie 3
Retrouver deux fois la même image
Comment freedam combine hash DCT, recherche multi-index et vérification vectorielle pour retrouver les copies réencodées, redimensionnées ou recadrées.
6 min de lecture
Partie 4
Rechercher dans une bibliothèque en vingt langues
Comment freedam garde alignés la langue des documents, la configuration de texte, les index partiels et les replis de requête sur vingt stemmers PostgreSQL.
29 min de lecture
Partie 5
Mesurer une recherche que personne ne croyait défaillante
Comment un panel de soixante cas de pertinence a révélé quinze échecs de recherche, corrigé un diagnostic plausible et mis au jour les trous de sa couverture.
31 min de lecture
Partie 6
Un visage n’est pas un nom
Comment freedam sépare la détection de visages de l’identité, stocke des embeddings ArcFace dans pgvector et mesure le seuil de correspondance automatique.
19 min de lecture
Partie 7
Le chat qui ne voit jamais votre photothèque
Comment freedam utilise un modèle de langage pour produire un arbre de filtres validé, pendant que PostgreSQL gère recherche, permissions et décomptes.
25 min de lecture