.png){kind=logo}
Plongement vectoriel (Embedding)
Un plongement vectoriel (en anglais embedding, une représentation numérique du sens sous forme de vecteur) est la traduction d'un texte, d'une image ou d'un son en une longue liste de nombres, calculée par un modèle de façon à ce que deux contenus proches par le sens obtiennent des listes proches. Autrement dit : la machine ne compare pas des mots, elle compare des coordonnées.
En bref
L'embedding transforme le sens d'un contenu en une liste de nombres, pour que la machine puisse le comparer à d'autres.
Un exemple
Cherchez « chaussures de course » dans un catalogue : grâce aux embeddings, le moteur peut aussi remonter « baskets running », même si aucun mot n'est identique, parce que les deux expressions ont des coordonnées voisines dans l'espace des vecteurs.
Pourquoi c'est important
C'est la brique qui rend possible la recherche par sens plutôt que par mots exacts. Quand une IA doit retrouver les passages pertinents d'une base documentaire (le cœur du RAG), elle transforme la question et les documents en vecteurs, puis mesure lesquels sont les plus proches. Sans embeddings, pas de recherche sémantique, pas de recommandation par similarité, pas de regroupement automatique de contenus.
À retenir
Deux contenus proches en sens donnent des vecteurs proches, c'est tout l'intérêt. Mais un embedding dépend du modèle qui l'a produit : ne mélangez jamais dans une même base des vecteurs calculés par des modèles différents, ils ne sont pas comparables.
Pour aller plus loin
Un projet tech, data ou IA à cadrer, et l'envie de comprendre ce qu'on construit pour vous ?
