GuidesComprendre l’IA
Embeddings expliqués simplement
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.
- Un texteUne fiche, un paragraphe, une question.
- Le modèleIl rend un vecteur.
- La comparaisonUne similarité, souvent le cosinus.
- 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.