GLOSSAIRE IA · TECHNIQUE
Embedding
Plongement lexical, vecteur sémantique
Un embedding est la traduction d'un texte, d'une image ou d'un son en une liste de nombres qui encode son sens. Deux contenus qui parlent de la même chose obtiennent des listes proches, ce qui permet à une machine de mesurer une proximité de sens plutôt qu'une simple ressemblance de mots.
- Traduction
- Plongement, vecteur sémantique
- Forme
- Une liste de centaines de nombres
- Ce qu'il encode
- Le sens, pas les caractères
- Mesure associée
- Distance entre vecteurs
- Usage principal
- Recherche sémantique et RAG
- Stockage
- Base vectorielle
Transformer du sens en coordonnées
L'idée est de placer chaque contenu quelque part dans un espace où la distance a une signification.
Une machine ne manipule que des nombres. Pour qu'elle puisse comparer deux phrases, il faut d'abord les convertir. La méthode naïve consiste à compter les mots communs, mais elle échoue immédiatement : « voiture d'occasion » et « véhicule de seconde main » ne partagent aucun mot et disent la même chose.
L'embedding résout cela en attribuant à chaque contenu une position dans un espace à plusieurs centaines de dimensions. Cette position est calculée par un modèle entraîné de telle sorte que les contenus de sens voisin se retrouvent voisins dans l'espace.
Concrètement, la phrase devient une liste de nombres. Comparer deux phrases revient alors à mesurer la distance entre deux points. C'est ce calcul, purement géométrique, qui permet à un moteur de retrouver un document pertinent sans qu'aucun mot de la requête n'y figure.
Comment un embedding est produit et utilisé
Le cycle est toujours le même, quel que soit l'outil.
- 01
Un modèle dédié convertit le contenu
Un modèle d'embedding, distinct du modèle de génération, prend le texte en entrée et renvoie sa liste de nombres. La même phrase donne toujours le même vecteur pour un modèle donné.
- 02
Les vecteurs sont stockés
On conserve ces listes dans une base vectorielle, conçue pour retrouver rapidement les voisins les plus proches d'un point parmi des millions.
- 03
La requête est convertie elle aussi
Quand une question arrive, elle passe par le même modèle et devient un vecteur, comparable à ceux déjà stockés.
- 04
On récupère les plus proches
La base renvoie les contenus dont les vecteurs sont les plus proches de celui de la question. Ce sont eux qui alimentent ensuite la réponse, par exemple dans une architecture RAG.
Où les embeddings travaillent sans qu'on les voie
Ils sont invisibles pour l'utilisateur, mais présents dans la plupart des outils IA sérieux.
-
Recherche sémantique
Retrouver un document par son sens plutôt que par ses mots exacts. C'est ce qui permet à un moteur interne de répondre à une question formulée autrement que dans le texte source.
-
Assistants sur base documentaire
Toute architecture RAG repose dessus : les embeddings servent à sélectionner les passages pertinents à fournir au modèle avant qu'il rédige.
-
Classement et regroupement
Trier automatiquement des demandes clients par thème, regrouper des retours similaires, détecter les doublons dans un catalogue.
-
Recommandation
Proposer un contenu proche de ce qui a déjà été consulté, en s'appuyant sur la proximité sémantique plutôt que sur des étiquettes manuelles.
-
Détection d'anomalies
Repérer un élément qui se situe loin de tous les autres dans l'espace, signe qu'il sort du schéma habituel.
Ce que les embeddings ne règlent pas
Un outil puissant, à condition d'en connaître les angles morts.
-
Ils ne comparent que ce qu'ils ont vu
Un modèle d'embedding entraîné sur du texte général situe mal un jargon métier très spécifique. Deux termes techniques distincts peuvent finir voisins à tort.
-
Le découpage des documents conditionne tout
On n'encode pas un document entier mais des fragments. Une coupure au mauvais endroit sépare une question de sa réponse, et la recherche ramènera l'un sans l'autre.
-
Les vecteurs ne sont pas interchangeables
Deux modèles d'embedding différents produisent des espaces incompatibles. Changer de modèle impose de tout réencoder, ce qui est un coût réel à anticiper.
-
La proximité n'est pas la pertinence
Un passage sémantiquement proche peut être hors sujet pour la question posée, par exemple parce qu'il traite du même thème mais dans un contexte différent.
EN CLAIR
Pour le dire simplement
Imaginez une immense bibliothèque où chaque livre est rangé non pas par ordre alphabétique mais par sujet, avec une précision extrême : les livres de cuisine italienne sont voisins des livres de cuisine méditerranéenne, eux-mêmes à quelques rayons des livres sur l'huile d'olive. Un embedding est l'adresse exacte d'un contenu dans cette bibliothèque. Chercher revient à se rendre à l'adresse de sa question et à prendre ce qui se trouve autour.
Ce qu'il faut arrêter de croire.
-
IDÉE REÇUE
Un embedding, c'est le texte compressé.
EN RÉALITÉ
Non, on ne peut pas reconstituer le texte à partir du vecteur. L'embedding encode une position sémantique, pas le contenu lui-même. C'est une empreinte de sens, pas une archive.
-
IDÉE REÇUE
Les embeddings servent uniquement au texte.
EN RÉALITÉ
Le même principe s'applique aux images, au son, à la vidéo et au code. Certains modèles produisent même des vecteurs comparables entre un texte et une image, ce qui permet de chercher une photo à partir d'une description.
-
IDÉE REÇUE
Plus il y a de dimensions, meilleur c'est.
EN RÉALITÉ
Au-delà d'un certain point, des vecteurs plus grands coûtent davantage en stockage et en calcul sans améliorer la qualité de la recherche. Le bon dimensionnement dépend du volume de données et de la finesse recherchée.
-
IDÉE REÇUE
Il faut être ingénieur pour en utiliser.
EN RÉALITÉ
La plupart des outils qui en emploient les rendent totalement invisibles : vous déposez vos documents et l'outil s'occupe du reste. Les manipuler directement ne concerne que ceux qui construisent leur propre système.
Questions fréquentes.
Qu'est-ce qu'un embedding en IA ?
C'est la conversion d'un contenu en une liste de nombres qui encode son sens, de sorte que deux contenus de signification proche obtiennent des listes proches. Cette représentation permet à une machine de mesurer une similarité de sens plutôt qu'une coïncidence de mots.
À quoi servent les embeddings concrètement ?
Principalement à la recherche sémantique et aux assistants branchés sur une base documentaire. Ils permettent de retrouver un passage pertinent même s'il n'emploie aucun mot de la question. On les retrouve aussi dans le classement automatique, la recommandation et la détection de doublons.
Quelle différence entre embedding et base vectorielle ?
L'embedding est la liste de nombres, la base vectorielle est l'endroit où on la range. La base est optimisée pour retrouver très vite les vecteurs les plus proches d'un point donné parmi des millions, ce qu'une base de données classique fait mal.
Quel rapport entre embedding et RAG ?
Le RAG s'appuie dessus pour son étape de recherche. Les documents sont découpés, convertis en embeddings et stockés. Quand une question arrive, elle est convertie de la même façon et sert à retrouver les passages les plus proches, qui sont ensuite transmis au modèle pour qu'il rédige sa réponse.
Peut-on retrouver le texte à partir d'un embedding ?
Pas directement : le vecteur n'est pas une compression réversible. Des travaux montrent toutefois qu'une reconstruction partielle est parfois possible, ce qui invite à traiter les bases vectorielles avec les mêmes précautions de confidentialité que les documents d'origine.
Faut-il choisir un modèle d'embedding particulier ?
Cela compte si vous construisez votre propre système. Un modèle bien adapté à votre langue et à votre domaine donne de meilleurs résultats qu'un modèle généraliste. Attention : changer de modèle en cours de route impose de réencoder l'ensemble de votre corpus.
Termes liés.
Révisé le 27 juillet 2026