Embeddings : le texte transformé en nombres

Les embeddings transforment le texte en vecteurs numériques, ce qui permet à une IA de comparer mathématiquement la similarité de sens.

Qu'est-ce qu'un embedding ?

Un embedding est une liste de nombres (un vecteur) qui représente le sens d'un fragment de texte — un mot, une phrase, un paragraphe entier — dans un espace multidimensionnel. C'est un modèle d'embedding dédié qui génère ces nombres, pas le modèle de langage qui répondra ensuite à vos questions.

Pourquoi c'est utile

Les textes de sens similaire reçoivent des vecteurs proches les uns des autres dans l'espace numérique. « Chien » et « chiot » sont proches, « chien » et « déclaration d'impôts » sont très éloignés. Un ordinateur peut calculer cette proximité (par exemple avec la similarité cosinus) sans « comprendre » le langage lui-même — de pures mathématiques suffisent.

À quoi servent les embeddings

Recherche sémantique : trouver des documents pertinents sur le fond, même si aucun mot ne correspond exactement
RAG : la base pour retrouver les extraits de texte pertinents pour une requête
Clustering : regrouper automatiquement des textes similaires
Recommandations : fonctionnalités « articles similaires »

Où les embeddings sont stockés

Pour de gros volumes, les embeddings finissent dans une base de données vectorielle (par exemple Pinecone, Weaviate ou l'extension Postgres pgvector), optimisée pour une recherche de similarité rapide parmi des millions de vecteurs.