Aller au contenu
English

Tester les changements en ligne

  • Leçon 28
  • 40 min
  • Module 8 : Exploiter la recherche en production

Où nous en sommes

Notre conception est rapide, peu coûteuse et meilleure hors ligne. Les tests hors ligne utilisent des jugements, pas de vraies personnes. Dans cette leçon, nous testons les changements en ligne avec des tests A/B et l'entrelacement. Nous voyons aussi pourquoi les résultats hors ligne et en ligne peuvent diverger.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité

Ce que vous saurez faire

Découvrez si les gens préfèrent un nouveau classement, pas seulement les juges. Vous apprenez deux tests en ligne, le test A/B et l’entrelacement, et les exécutez avec un modèle de clics simulé. Vous voyez aussi pourquoi consulter un test trop souvent produit de faux gagnants.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter construit BM25 et une conception hybride. Vous y écrivez vous-même l’entrelacement par sélection alternée et un test des signes. Un modèle de clics joue le rôle des clients. Ensuite, le carnet teste une conception contre elle-même pour montrer de faux gagnants. Ses cellules de préparation téléchargent les données d’exercice. Vous n’avez donc rien à configurer localement, ni de modèle à télécharger. Environ 30 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 40 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

  • Le projet avec les fichiers de ce module, présenté dans Budgets de latence et de coût.
  • La commande search ltr train exécutée une fois dans ce dossier de projet (module 6).

Un restaurant a une nouvelle recette de soupe. Les amis du chef l’ont goûtée et l’ont préférée. Les clients la préféreront-ils aussi?

Il y a deux façons de le savoir. Première façon : le lundi, la moitié des tables reçoit l’ancienne soupe et l’autre moitié, la nouvelle. Vous comptez les bols vides dans chaque moitié. Deuxième façon : chaque table reçoit deux petites tasses, une de chaque soupe, et indique celle qu’elle préfère. La deuxième façon exige beaucoup moins de tables. Chaque table compare les deux soupes. La faim ou les goûts propres à une table n’influencent donc pas la comparaison.

Le test avec les amis a eu lieu en premier, et il coûtait peu. Mais les amis ne sont pas les clients.

Tous les résultats de ce cours jusqu’ici sont hors ligne. Hors ligne signifie : sur un jeu de test fixe, avec des jugements écrits d’avance, sans participation des clients. Les tests hors ligne sont rapides et reproductibles. Mais ils peuvent diverger de ce que font les gens. Voici quatre raisons courantes :

  1. Les produits non jugés. Le NDCG considère un produit non jugé comme non pertinent. La recherche dense affichait beaucoup de produits non jugés parmi ses 10 premiers résultats. Le judged@10 était de 0,63 sur les requêtes de test anglaises et françaises. Certains de ces produits peuvent être bons.
  2. La page. Les gens voient des images, des prix, les stocks et des avis. Les juges voyaient seulement le produit et la requête.
  3. La position. Les gens regardent beaucoup plus le haut que le bas (Apprendre des clics). Le NDCG applique sa propre atténuation selon la position, qui peut ne pas correspondre.
  4. Le mélange de requêtes. Le jeu de test donne le même poids à chaque requête. La boutique en ligne reçoit « sofa » des centaines de fois et une requête rare une seule fois.

Voici une divergence dans les données de Larkfield. Hors ligne, la recherche hybride (hybrid-rrf) et BM25 avec compréhension de la requête (bm25-norm+spell+syn) sont à peu près égaux. La différence de NDCG@10 est de +0,001, avec un intervalle de −0,022 à +0,024. Le modèle de clics du cours examine les mêmes listes autrement. Il prévoit un clic pour 60,3 % des recherches hybrides et 59,2 % des recherches BM25. Les produits partiels obtiennent aussi des clics, et le NDCG leur accorde seulement un petit gain.

Il vous faut donc un test avec des gens. Mais le comportement des gens ajoute du bruit aux résultats, et un tel test prend du temps et comporte des risques.

Un test en ligne montre un changement à de vraies personnes et mesure ce qu’elles font. Les équipes de recherche utilisent trois étapes. Chacune prouve quelque chose de différent.

Trois tests à la suite. Un test hors ligne utilise des requêtes de test jugées, le NDCG@10 et un intervalle. En quelques minutes, sans clients, il prouve que B classe mieux les produits jugés. Si B est clairement meilleur, l'entrelacement mélange A et B sur une page et détermine quel côté reçoit plus de clics. Il prouve que les gens préfèrent les résultats de B. Si les gens préfèrent B, un test A/B montre A à la moitié des gens et B à l'autre moitié. Il mesure les clics, l'ajout au panier et la reformulation selon un plan fixe. Il prouve l'effet sur les mesures de la boutique. Si les garde-fous sont respectés, mettez B en production et gardez A prêt pour un retour arrière.
Test hors ligne, puis entrelacement, puis test A/B. Chaque étape est plus lente et coûte plus cher, et chacune prouve davantage.
Description textuelle du diagramme

Quatre cases de gauche à droite avec des flèches. « Test hors ligne : requêtes de test jugées, NDCG@10 avec un intervalle, quelques minutes, aucun client » → (clairement meilleur?) → « Entrelacement : une page mélange A et B; quel côté reçoit plus de clics? quelques milliers de recherches » → (les gens préfèrent B?) → « Test A/B : la moitié des gens voit A, l’autre moitié voit B; clic, ajout au panier, reformulation; plus de recherches, un plan fixe » → (garde-fous respectés?) → « Mettre B en production, garder A prêt pour un retour arrière ». Sous chaque test, ce qu’il prouve : hors ligne, « B classe mieux les produits jugés » (pas encore ce que font les gens); entrelacement, « les gens préfèrent les résultats de B » (pas encore l’effet sur les ventes); test A/B, « l’effet sur les mesures importantes pour la boutique » (seulement pour ces semaines et ces personnes).

En ligne, vous ne pouvez pas calculer le NDCG : personne ne juge les résultats. Vous comptez ce que font les gens. Chacune de ces mesures représente une part des recherches :

  • Taux de clics : recherches avec au moins un clic.
  • Taux d’ajout au panier : recherches où la personne a mis un produit dans le panier.
  • Taux de reformulation : recherches suivies d’une nouvelle recherche modifiée. Un taux élevé signifie que les gens n’ont pas trouvé ce qu’ils voulaient.
  • Taux sans résultat : recherches avec une page vide.

Dans le journal synthétique de Larkfield, 45,7 % des recherches ont un clic et 18,3 %, un ajout au panier. De plus, 20,7 % sont reformulées. Notre code a produit ces nombres avec le modèle de clics. Ils montrent l’ordre de grandeur des mesures, pas le comportement des vraies personnes.

Dans un test A/B, la boutique répartit les gens au hasard en deux groupes. Le groupe A voit le classement actuel; le groupe B voit le nouveau. Après assez de recherches, vous comparez une mesure entre les groupes, par exemple le taux de clics.

La répartition doit être aléatoire pour que les deux groupes soient semblables en tout, sauf pour le classement. Une différence de clics vient alors du classement. Un test statistique, ici un test de comparaison de deux proportions, indique si l’écart dépasse ce que produirait le hasard.

Un test A/B mesure ce qui compte pour la boutique : ajout au panier, revenus, demandes au service à la clientèle. Sa faiblesse est le bruit. Les gens diffèrent beaucoup. Un groupe peut compter plus de personnes qui savent exactement ce qu’elles veulent. Les petits changements exigent beaucoup de recherches pour devenir visibles.

L’entrelacement (interleaving) place les deux classements sur une seule page. Chaque personne voit un mélange des résultats de A et de B. Chaque résultat conserve l’information sur le classement qui l’a fourni. Si les gens cliquent davantage sur les résultats de B, B gagne cette recherche.

La méthode la plus courante est l’entrelacement par sélection alternée (team-draft interleaving). A et B sont deux capitaines qui choisissent des joueurs à tour de rôle. À chaque ronde, un tirage à pile ou face décide qui choisit en premier. Chaque capitaine ajoute son meilleur produit qui ne figure pas encore sur la page.

A classe quatre produits : P1, P2, P3, P4. B classe P3, P1, P5, P6. Le carnet a exécuté la sélection alternée avec une valeur d’initialisation (seed) :

Ronde Tirage : premier choix Choix Position Équipe
1 B Meilleur de B : P3 1 B
1 – Meilleur de A non affiché : P1 2 A
2 B Meilleur de B non affiché : P5 (P3 et P1 sont pris) 3 B
2 – Meilleur de A non affiché : P2 4 A

La personne voit P3, P1, P5, P2. Supposons qu’elle clique sur P3 et P5. B obtient 2 clics et A en obtient 0, donc B gagne cette recherche. Si elle clique sur P3 et P1, il y a égalité, et la recherche ne compte pour personne.

Après beaucoup de recherches, vous comptez les victoires de B et celles de A. Un test des signes pose cette question : si A et B étaient également bons, quelle serait la probabilité d’un écart aussi grand? Si cette probabilité (la valeur p) est inférieure à 0,05, nous considérons le résultat comme clair.

La même personne juge les deux classements au même moment, comme la table avec deux tasses de soupe. Les différences entre les personnes s’annulent. L’entrelacement détecte donc une différence réelle avec moins de recherches. Mais il indique seulement quel classement les gens préfèrent. Il ne mesure ni l’ajout au panier ni les revenus. Les équipes utilisent donc l’entrelacement pour choisir, puis un test A/B pour confirmer.

Larkfield n’a pas de vrais clients dans ce cours. Le modèle de clics de Apprendre des clics joue donc leur rôle, avec les mêmes probabilités supposées. La probabilité d’examen est examine(k) = 1/k. La probabilité de clic sur un produit exact, partiel ou non pertinent est de 0,65, 0,25 ou 0,05. Une simulation montre comment les tests se comportent quand la vérité est connue. Elle ne montre pas le comportement des vraies personnes.

search interleave exécute les deux tests en même temps, sur 240 requêtes de test. Les 3 requêtes larges insérées sont exclues. Chaque recherche choisit une requête de test au hasard. Le test est vérifié toutes les 100 recherches et s’arrête quand le résultat est clair. Chaque valeur d’initialisation correspond à une exécution complète avec des choix aléatoires différents.

Fenêtre de terminal
search interleave hybrid-rrf ltr --seeds 5
A = hybrid-rrf, B = ltr; 240 test queries; clicks from the click model (synthetic)
seed 0: interleaving clear after 800 searches (winner B); A/B test clear after 600 searches (winner B)
seed 1: interleaving clear after 100 searches (winner B); A/B test clear after 500 searches (winner B)
seed 2: interleaving clear after 500 searches (winner B); A/B test clear after 100 searches (winner B)
seed 3: interleaving clear after 500 searches (winner B); A/B test clear after 13100 searches (winner B)
seed 4: interleaving clear after 1100 searches (winner B); A/B test clear after 500 searches (winner B)
median searches: interleaving 500.0, A/B 500.0

LambdaMART gagne pour toutes les valeurs d’initialisation, comme hors ligne (+0,047 de NDCG@10). La médiane est de 500 recherches pour les deux tests. Mais regardez la valeur d’initialisation 3 : le test A/B a exigé 13 100 recherches. Et la valeur 1 indique « clair après 100 ». Est-ce que 100 recherches peuvent vraiment suffire?

Consultations répétées : des gagnants qui n’existent pas

Section intitulée « Consultations répétées : des gagnants qui n’existent pas »

Pour répondre, exécutez un test où vous savez qu’il n’y a aucune différence : une conception contre elle-même. C’est ce qu’on appelle un test A/A. Chaque gagnant qu’il signale est une fausse alerte.

L’équipe du cours a testé la recherche hybride contre elle-même avec 100 valeurs d’initialisation, chacune sur 20 000 recherches. Elle a compté les valeurs qui signalaient un gagnant. Voici trois façons de consulter le test :

  • entrelacement
  • test A/B
Simulation avec le modèle de clics : recherche hybride contre elle-même, 100 valeurs d'initialisation sur 20 000 recherches. Un test vérifié toutes les 100 recherches trouve un faux gagnant pour environ la moitié des valeurs d'initialisation. Consulté une seule fois (ici après 5 000 recherches), il approche les 5 % permis par p < 0,05.
Description textuelle du graphique

Six barres en deux groupes. Entrelacement : vérifié toutes les 100 recherches, 47 % des valeurs d’initialisation signalent un faux gagnant; toutes les 1 000 recherches, 32 %; consulté une fois après 5 000 recherches, 9 %. Test A/B : toutes les 100 recherches, 48 %; toutes les 1 000, 23 %; une fois, 3 %.

Vérifiés toutes les 100 recherches, environ la moitié des tests A/A ont trouvé un « gagnant ». La règle « p inférieur à 0,05 » permet une fausse alerte 5 fois sur 100, pour une seule consultation. Chaque consultation supplémentaire offre au hasard une nouvelle occasion de franchir le seuil. Deux cents consultations donnent beaucoup d’occasions au hasard. On appelle cette erreur les consultations répétées (peeking).

Consultez maintenant le test une seule fois, après un nombre de recherches prévu d’avance. Les faux gagnants descendent entre 3 % et 9 %. Avec 100 valeurs d’initialisation, cela correspond à 5 % avec quelques points de bruit.

Les « 500 recherches » ci-dessus venaient donc de consultations répétées. Combien de recherches faut-il à un test équitable pour détecter le gain réel de LambdaMART? L’équipe du cours a comparé la recherche hybride à LambdaMART avec les mêmes 100 valeurs d’initialisation. Elle a consulté le test une seule fois, après un nombre fixe de recherches :

  • entrelacement
  • test A/B
Simulation avec le modèle de clics : hybrid-rrf contre ltr, 100 valeurs d'initialisation. La part des tests dont le résultat est clair (p < 0,05) lors d'une seule consultation, après n recherches.
Description textuelle du graphique

Deux courbes. L’entrelacement détecte le gain dans 15 % des tests après 500 recherches, 33 % après 1 000, 58 % après 2 000, 91 % après 5 000, 99 % après 10 000 et 100 % après 20 000. Le test A/B le détecte dans 16 %, 24 %, 38 %, 72 %, 94 % et 100 %.

Lisez le graphique à 5 000 recherches. L’entrelacement détecte le gain dans 91 % des tests; le test A/B, dans 72 %. Cette part s’appelle la puissance d’un test. À 500 recherches, les deux le détectent seulement environ 15 % du temps. Un test équitable de LambdaMART exige donc quelques milliers de recherches, dont le nombre est décidé avant le début. L’entrelacement atteint une puissance élevée plus tôt que le test A/B.

Avec le trafic de Larkfield, cela prend des semaines. Le journal synthétique compte 20 000 recherches en huit semaines : environ 2 500 par semaine. Un test reçoit habituellement seulement une partie du trafic.

Un bon test en ligne a un court plan écrit :

  1. La question et la mesure. « Les gens préfèrent-ils LambdaMART à la recherche hybride? » Les victoires en entrelacement, puis le taux d’ajout au panier dans un test A/B.
  2. La taille. 5 000 recherches pour l’entrelacement. Consultez une seule fois.
  3. Les garde-fous. Les mesures qui ne doivent pas se dégrader : le taux sans résultat, la latence p95 (budget de 200 ms), la part des premiers résultats en rupture de stock.
  4. La règle d’arrêt. Arrêtez tôt seulement si un garde-fou n’est plus respecté. N’arrêtez jamais tôt parce que B « semble bon ».
  5. Le retour arrière. Comment revenir à A en quelques minutes.

Bien planifier une expérience est un sujet à part entière (un cours sur les expériences est prévu). Le cours MLOps et LLMOps : exploiter l’IA en production montre comment déployer un changement de modèle par étapes et revenir en arrière.

  1. Dans larkfield-search, avec l’environnement virtuel actif, vérifiez que LambdaMART est entraîné. En cas de doute, exécutez de nouveau search ltr train (quelques secondes).

  2. Avant d’exécuter le test, faites une prédiction : BM25 contre la recherche hybride exigera-t-il plus ou moins de recherches que la recherche hybride contre LambdaMART? Hors ligne, l’écart est de +0,192 de NDCG@10 (0,429 contre 0,621).

  3. Exécutez le test :

    Fenêtre de terminal
    search interleave bm25 hybrid-rrf --seeds 5
    A = bm25, B = hybrid-rrf; 240 test queries; clicks from the click model (synthetic)
    seed 0: interleaving clear after 100 searches (winner B); A/B test clear after 100 searches (winner B)
    seed 1: interleaving clear after 200 searches (winner B); A/B test clear after 600 searches (winner B)
    seed 2: interleaving clear after 300 searches (winner B); A/B test clear after 800 searches (winner B)
    seed 3: interleaving clear after 100 searches (winner B); A/B test clear after 300 searches (winner B)
    seed 4: interleaving clear after 300 searches (winner B); A/B test clear after 100 searches (winner B)
    median searches: interleaving 200.0, A/B 300.0

    Cela prend environ 2 secondes. Les valeurs d’initialisation sont fixes, donc votre sortie est identique.

  4. Comparez avec la recherche hybride contre LambdaMART (médianes de 500 et 500). Une grande différence apparaît plus tôt. Ces médianes viennent encore de consultations répétées. Traitez-les donc comme le premier moment possible, pas comme un plan.

  5. Testez la paire qui est égale hors ligne :

    Fenêtre de terminal
    search interleave bm25-norm+spell+syn hybrid-rrf --seeds 5

    L’entrelacement donne un résultat clair pour 3 valeurs d’initialisation sur 5, après 11 300, 2 100 et 900 recherches. Le test A/B donne un résultat clair pour 3 sur 5, après 7 300, 4 400 et 3 000 recherches. Les autres valeurs affichent more than 20000 (plus de 20 000). Le modèle de clics donne à la recherche hybride environ 1 point de plus de clics. Il existe donc une petite différence réelle dans les clics. Elle est trop petite pour être détectée de façon fiable, et les consultations répétées rendent les premiers « gagnants » peu fiables.

Testez la recherche hybride contre elle-même avec 20 valeurs d’initialisation :

Fenêtre de terminal
search interleave hybrid-rrf hybrid-rrf --seeds 20

Avant de regarder la sortie, écrivez votre prédiction : pour combien des 20 valeurs d’initialisation un test signalera-t-il un gagnant? Comptez ensuite les valeurs qui n’affichent pas more than 20000, pour l’entrelacement et pour le test A/B.

Réponse

Les valeurs d’initialisation sont fixes, donc vous obtenez la même sortie que l’équipe du cours. L’entrelacement a signalé un gagnant pour 7 valeurs sur 20, et le test A/B, pour 11 sur 20. Certains ont « gagné » après seulement 100 ou 300 recherches. Certains « gagnants » sont A, d’autres sont B, selon le hasard. Chacun est faux, car les deux côtés montrent le même classement. Si vous consultez toutes les 100 recherches pendant 20 000 recherches, vous faites 200 consultations. Le hasard franchit alors souvent le seuil.

Le carnet exécute 20 valeurs d’initialisation sur 5 000 recherches. Vérifiés toutes les 100 recherches, 4 tests sur 20 ont trouvé un faux gagnant. Consultés une seule fois, 0 sur 20 en ont trouvé.

Erreur courante

Arrêter le test dès que B semble meilleur

Symptôme : Tomás commence un test A/B de LambdaMART le lundi. Le mardi, après 500 recherches, le tableau de bord affiche p = 0,03 pour B. Il arrête le test et dit à Omar : « LambdaMART a gagné. »

Cause : il a consulté le test plusieurs fois et s’est arrêté au premier résultat favorable. Dans le test A/A simulé, cette façon de consulter trouve un gagnant dans environ la moitié des tests, sans différence réelle. Et la valeur d’initialisation 3 ci-dessus montre le risque opposé : le même gain réel peut exiger 13 100 recherches pour apparaître.

Correction : décidez du nombre de recherches avant le test, à partir d’une estimation de puissance comme le graphique ci-dessus. Consultez une seule fois, à la fin. Arrêtez tôt seulement si un garde-fou n’est plus respecté. Si vous devez consulter souvent, utilisez une méthode conçue pour cela (un test séquentiel), pas le test ordinaire vérifié encore et encore.

Conséquence pour le travail en recherche : un test consulté à répétition ne constitue pas une preuve. Ici, la conclusion était correcte par hasard, car LambdaMART est réellement meilleur. Avec une petite différence réelle ou aucune différence, la même habitude met en production des changements inutiles ou nuisibles.

Testez en ligne quand le résultat hors ligne est clair et que le changement compte pour les gens. Utilisez d’abord l’entrelacement (interleaving) : il demande moins de recherches pour départager deux classements. Confirmez ensuite avec un test A/B sur les mesures importantes pour la boutique : ajout au panier et reformulation.

Ne testez pas en ligne :

  • quand le test hors ligne montre déjà une perte claire. Ne montrez pas un classement moins bon aux clients;
  • quand le changement dépasse le budget de latence. Corrigez cela d’abord;
  • quand le trafic est trop faible pour atteindre la taille prévue dans un délai raisonnable. Fiez-vous alors aux tests hors ligne et à des étapes de mise en production prudentes.

Un test en ligne a trois coûts. Temps : des semaines de trafic pour de petits gains. Développement : consigner quel classement a montré quel produit. Risque : certaines personnes voient le classement moins bon. Le modèle de clics de cette leçon est un outil d’exercice. Utilisez-le pour prévoir la taille d’un test, pas pour remplacer les gens.

Vérifiez votre compréhension

Sélection alternée : A classe P1, P2, P3; B classe P2, P4, P1. Le tirage au sort donne le premier choix à A à la ronde 1, puis à B à la ronde 2. Quels sont les quatre produits sur la page, et de quelle équipe viennent-ils?

Afficher la réponse

Ronde 1 : A choisit P1 (position 1, équipe A); B choisit son meilleur produit non affiché, P2 (position 2, équipe B). Ronde 2 : B choisit d’abord son meilleur produit non affiché : P4 (position 3, équipe B). A choisit son meilleur produit non affiché : P3 (position 4, équipe A). La page présente P1 (A), P2 (B), P4 (B), P3 (A).

Vérifiez votre compréhension

Un test A/B est vérifié toutes les 100 recherches, sur un total de 20 000 recherches. Pourquoi peut-il trouver un gagnant inexistant, même si chaque vérification utilise p < 0,05?

Afficher la réponse

Le taux de fausse alerte de 5 % s’applique à une seule vérification. Vérifier 200 fois donne au hasard 200 occasions de franchir le seuil. Dans le test A/A simulé, environ la moitié des tests ont trouvé un faux gagnant de cette façon. Décidez de la taille avant le test et vérifiez une seule fois.

Vérifiez votre compréhension

L'entrelacement a trouvé LambdaMART meilleur dans 91 % des tests équitables de 5 000 recherches; le test A/B, dans 72 %. Pourquoi l'entrelacement est-il plus sensible, et que ne vous dit-il pas?

Afficher la réponse

Chaque personne voit les deux classements sur une même page et les compare au même moment. Les différences entre les personnes s’annulent donc. Mais l’entrelacement indique seulement quel classement les gens préfèrent. Il ne mesure pas le taux d’ajout au panier ni les revenus de chaque classement utilisé seul. Cela demande un test A/B.

Récapitulatif

  • Les tests hors ligne utilisent des jugements; les gens peuvent les contredire (produits non jugés, page, position, mélange de requêtes). Testez par étapes : hors ligne, puis entrelacement, puis test A/B.
  • Un test A/B montre chaque classement à une moitié des gens choisie au hasard. Il compare le taux de clics, l’ajout au panier et la reformulation. L’entrelacement mélange les deux classements sur une page et compte lequel reçoit le plus de clics.
  • Avec le modèle de clics du cours (simulé), des tests de 5 000 recherches vérifiés une seule fois détectent le gain de LambdaMART sur la recherche hybride : 91 % des tests d’entrelacement et 72 % des tests A/B.
  • Les consultations répétées trouvent de faux gagnants : vérifiés toutes les 100 recherches, environ la moitié des tests A/A ont « gagné ». Rédigez d’abord un plan : la mesure, la taille, les garde-fous, la règle d’arrêt et le retour arrière.

Vous savez maintenant comment montrer qu’un changement est meilleur pour les gens. Ensuite, le catalogue lui-même change chaque jour. Vous gardez l’index à jour et changez de version sans interrompre la recherche.

Leçon suivante : Garder l'index à jour