GuidesComprendre l’IA

Embeddings expliqués simplement

Par l’équipe Banzai LabsMis à jour le 2 min de lecture

chaussure de trailbasket de coursefacture impayéerelance clientSportPaiementDes sens proches, des points prochesDes textes
Chaque texte devient un point. Deux textes de sens proche tombent l’un près de l’autre.

Le principe

Un modèle d’embeddings lit un texte et rend un vecteur : quelques centaines à quelques milliers de nombres. Chaque nombre ne veut rien dire seul. Ensemble, ils placent le texte dans un espace où la distance mesure la différence de sens.

Du texte au voisin le plus proche
  1. Un texteUne fiche, un paragraphe, une question.
  2. Le modèleIl rend un vecteur.
  3. La comparaisonUne similarité, souvent le cosinus.
  4. Les plus prochesLes textes au sens voisin.

À quoi ça sert

  • Recherche sémantiqueTrouver une réponse même formulée autrement.
  • RAGRetrouver les passages utiles avant de répondre. Voir le RAG.
  • RecommandationProposer des produits ou des articles voisins.
  • ClassementRanger des tickets ou des avis par sujet, sans règles écrites.

Les règles à connaître

  • Un seul modèle pour les documents et les questions.
  • Découper les longs textes : un vecteur résume mal dix pages.
  • Garder le texte d’origine à côté du vecteur, pour pouvoir le citer.

Les vecteurs se rangent dans une base vectorielle.

Questions fréquentes

Quelle différence avec une recherche par mots-clés ?
La recherche par mots-clés trouve « basket de course » seulement si ces mots sont écrits. Les embeddings la rapprochent aussi de « chaussure de running ».
Peut-on mélanger deux modèles d’embeddings ?
Non. Les documents et les questions doivent passer par le même modèle. Changer de modèle oblige à tout recalculer.
Est-ce cher ?
Calculer des embeddings coûte en général bien moins cher que générer du texte. Le poste le plus lourd est souvent le stockage et la mise à jour.

À lire ensuite

Tous les guides