Lexique des agents IA
EmbeddingPlongement vectoriel, recherche sémantique
Définition. Un embedding est la traduction d’un texte en une liste de nombres (un vecteur) qui représente son sens. Deux textes proches par le sens obtiennent des vecteurs proches, ce qui permet une recherche sémantique : retrouver un document par ce qu’il veut dire, pas seulement par ses mots exacts.
OpenAI définit l’embedding comme un vecteur de nombres dont la distance avec un autre vecteur mesure leur proximité : une petite distance signale des textes liés, une grande distance des textes éloignés. Un modèle spécialisé calcule ces vecteurs pour chaque document ou passage, puis les conserve pour les recherches à venir.
La recherche sémantique en découle. Une question comme « combien pour venir un dimanche ? » peut retrouver un paragraphe intitulé « majoration week-end », alors qu’aucun mot n’est commun. OpenAI et Mistral citent d’autres usages : classer des textes, regrouper des sujets proches, repérer des doublons, recommander un contenu.
Pour une petite entreprise, l’embedding est surtout le moteur invisible du RAG : c’est lui qui permet à un agent IA de retrouver le bon passage dans vos tarifs, vos procédures ou vos anciens échanges. Vous n’avez pas à le manipuler, mais sa qualité conditionne la pertinence des réponses.
La recherche sémantique a ses limites : elle trouve ce qui est proche par le sens, pas forcément ce qui est exact. Un numéro de facture ou une référence produit se retrouve souvent mieux par une recherche classique sur les mots ; les deux approches se complètent.
Un exemple en entreprise
Dans une agence immobilière, un collaborateur tape « appartement lumineux proche des écoles » et retrouve des annonces décrites comme « exposition sud, à deux pas du groupe scolaire », grâce à la recherche sémantique.