Embedding : définition et à quoi ça sert

Chercher « retard de livraison » dans la boîte du service client ne trouve pas le message qui dit « le colis n’est toujours pas arrivé ». Les embeddings règlent ce problème : ils permettent à une machine de comparer des textes par leur sens, et plus seulement par leurs mots. Ils font tourner, en coulisse, la recherche de beaucoup d’outils d’IA branchés sur des documents.

Qu’est-ce qu’un embedding ?

Un embedding est la traduction d’un contenu en une liste de nombres, construite de telle sorte que la proximité entre deux listes reflète la proximité de sens entre les deux contenus.

En mathématiques, le mot anglais se traduit par « plongement » : on plonge le texte dans un espace mathématique. En français, on parle de plongement vectoriel, ou simplement de vecteur, puisqu’une liste de nombres de ce type s’appelle un vecteur.

Un embedding ne se lit pas : une liste de nombres ne dit rien à un humain. Sa valeur tient à la comparaison. Deux phrases qui parlent de la même chose obtiennent des vecteurs voisins, même si elles n’ont aucun mot en commun.

Le principe ne se limite pas au texte. Des embeddings représentent aussi des images, des sons ou des fiches produits. Certains modèles placent textes et images dans le même espace, ce qui permet de retrouver une photo à partir d’une description.

Comment fonctionne un embedding ?

Un embedding est calculé par un modèle d’IA spécialisé, entraîné à rapprocher les contenus de sens voisin et à éloigner les autres.

Le texte est d’abord découpé en tokens, les petites unités que manipulent les modèles. Le modèle d’embedding, un réseau de neurones, transforme ensuite l’ensemble en une liste de nombres. Ce modèle est en général distinct du grand modèle de langage qui rédige les réponses : l’un range, l’autre écrit.

Imaginez une carte où chaque phrase serait un point. Les phrases sur les retards de livraison se regroupent dans un quartier, celles sur la facturation dans un autre. La différence est que cette carte compte bien plus de deux dimensions, ce qui permet de distinguer des nuances fines.

Pour comparer deux contenus, le système mesure la proximité entre leurs vecteurs. Plus ils sont proches, plus les sens se ressemblent.

La recherche sémantique

La recherche sémantique consiste à retrouver des contenus par leur sens plutôt que par leurs mots. Les documents sont convertis en embeddings une fois, puis rangés dans un index. À chaque recherche, la question est convertie à son tour, et le système renvoie les contenus dont les vecteurs sont les plus proches.

Le rôle des embeddings dans le RAG

Dans un RAG (génération augmentée par récupération), les embeddings servent à retrouver les passages de vos documents qui répondent à la question, avant que le modèle rédige la réponse. La méthode RAG dépend donc directement de leur qualité. Si la recherche ramène le mauvais passage, le modèle rédigera une réponse fluide sur une base fausse.

Des exemples d’embeddings dans une PME

Dans une PME, les embeddings servent surtout à retrouver, regrouper et dédoublonner de l’information.

Retrouver un document par le sens

Un commercial cherche « le contrat où le client a demandé un délai de paiement plus long ». Aucun mot-clé ne correspond au nom du fichier. La recherche sémantique ramène les contrats dont le contenu traite de ce sujet, quelle que soit la formulation.

Regrouper les tickets du support

Le service client reçoit des demandes rédigées de manières très différentes. Regroupées par proximité de sens, elles font apparaître les sujets qui reviennent, par exemple un même défaut produit décrit avec des mots différents. Le responsable qualité voit le problème plus tôt.

Détecter des doublons

Dans un catalogue ou un fichier de contacts, deux fiches peuvent décrire la même chose avec des libellés différents. Les embeddings repèrent les fiches très proches, puis une personne décide de les fusionner ou non. La même méthode repère les procédures internes qui se recoupent.

Recherche par mots-clés ou sémantique : ne pas confondre

La recherche par mots-clés trouve les textes qui contiennent les mots tapés ; la recherche sémantique trouve les textes qui parlent du même sujet.

Les deux approches se complètent. Beaucoup de systèmes les combinent, on parle alors de recherche hybride : les mots-clés pour les références exactes, les embeddings pour les reformulations.

Quelles sont les limites des embeddings ?

Un embedding mesure une proximité de sens, pas une vérité ni une pertinence métier.

• Proche ne veut pas dire juste. Deux phrases de sens opposé peuvent obtenir des vecteurs voisins, par exemple une clause et sa négation, parce qu’elles parlent du même sujet.
• Les références exactes. Un numéro de commande, un code article ou un nom propre rare sont mal servis par la seule recherche sémantique.
• La dépendance au modèle. En pratique, des vecteurs calculés par deux modèles différents ne se comparent pas. Changer de modèle oblige à recalculer tous les embeddings.
• La langue et le jargon. Un modèle peut être moins performant en français ou sur un vocabulaire métier très spécialisé. Il faut le tester sur vos propres documents.
• La confidentialité. Calculer des embeddings avec un service en ligne suppose de lui envoyer les textes. Et le résultat conserve le sens du document : il se protège comme lui.

Ce que ça change pour une PME

Les embeddings sont rarement un projet en soi pour une PME : ce sont les fondations invisibles de la recherche dans vos documents.

Vous n’aurez probablement jamais à manipuler un vecteur. En revanche, trois décisions vous reviennent : quels documents indexer, quel service calcule les embeddings et où partent les données, et comment vérifier que la recherche ramène les bons résultats.

Le test le plus parlant reste simple. Préparez une série de questions réelles dont vous connaissez la réponse, et regardez ce que la recherche ramène avant toute rédaction par le modèle. La qualité d’un assistant documentaire se joue souvent là, plus que dans le choix du modèle qui écrit. Token, réseau de neurones et RAG sont définis en quelques lignes chacun dans le glossaire de l’IA.

À retenir

• Un embedding (plongement vectoriel) représente un texte, une image ou un autre contenu sous forme de liste de nombres qui encode son sens.
• Deux contenus de sens proche obtiennent des embeddings proches, même lorsqu’ils n’ont aucun mot en commun.
• Les embeddings permettent la recherche sémantique, le regroupement de contenus similaires et la détection de doublons.
• Dans un RAG, les embeddings servent à retrouver les passages utiles avant que le modèle rédige la réponse.
• Les embeddings sont moins fiables que les mots-clés pour les références exactes, d’où l’intérêt de combiner les deux approches.