L’IA dessinée
Les embeddings, comment une machine mesure le sens
Un outil sait retrouver le bon document même quand personne n’a employé les mêmes mots. Il compare des positions plutôt que des mots, et c’est ce qui fait marcher la recherche par le sens.
Le mécanisme
Deux idées voisines deviennent deux points voisins.
Un embedding transforme un texte en une suite de nombres, autrement dit en un point dans un espace. Deux textes qui parlent de la même chose se retrouvent proches, deux textes sans rapport se retrouvent loin. « Résilier mon contrat » et « mettre fin à mon abonnement » n’ont aucun mot commun, et pourtant ils tombent presque au même endroit.
C’est ce qui permet de chercher par le sens et non par le mot exact. Une recherche classique ne remonte que ce qui contient les termes tapés. Une recherche par embeddings remonte les passages qui parlent du sujet, même formulés autrement, dans le jargon maison de votre métier ou avec une faute de frappe.
C’est aussi la pièce qui fait fonctionner le RAG : pour retrouver les bons extraits, il faut d’abord mesurer lesquels ressemblent à la question posée. Le même mécanisme classe des demandes entrantes, repère des fiches clients en double ou propose un contenu voisin de celui qui vient d’être consulté.
En une phrase
Définition des embeddings
Un embedding transforme un texte en point dans un espace, où la distance entre deux points mesure leur proximité de sens : c’est ce qui permet de chercher par le sens plutôt que par le mot exact.
Le livret
Repartez avec le vocabulaire de l’IA.
LLM, RAG, MCP, agent, embeddings : une image et une page par mot, avec une définition que vous pouvez reprendre telle quelle en réunion.