Embedding (et base vectorielle)

Un embedding est la représentation numérique d'un texte, d'une image ou d'un son sous forme de vecteur — une longue liste de nombres qui capture le sens du contenu plutôt que ses mots exacts. Une base vectorielle est la base de données spécialisée qui stocke ces vecteurs et permet de retrouver, en quelques millisecondes, les contenus les plus proches d'une question.

C'est le mécanisme qui permet à une IA de « comprendre » que « résilier mon abonnement » et « mettre fin à mon contrat » parlent de la même chose, alors qu'ils ne partagent aucun mot. La recherche classique par mots-clés compare des chaînes de caractères ; la recherche vectorielle compare des significations.

Comment ça marche

Un modèle d'embedding transforme chaque document (ou fragment de document) en vecteur de plusieurs centaines de dimensions. Ces vecteurs sont indexés dans une base vectorielle — pgvector, Qdrant, Weaviate ou Pinecone. À chaque question d'un utilisateur, la question est elle-même vectorisée, puis la base renvoie les fragments dont les vecteurs sont les plus proches : ce sont les passages les plus pertinents sémantiquement.

C'est la brique centrale du RAG : les fragments retrouvés sont injectés dans le contexte du modèle de langage, qui rédige une réponse appuyée sur vos documents.

À quoi ça sert concrètement

• Moteur de recherche interne qui comprend les questions en langage naturel
• Assistant documentaire (RAG) sur les procédures, contrats ou bases de connaissances
• Détection de doublons ou de contenus proches dans un grand corpus
• Recommandation de produits ou d'articles similaires

Les pièges

La qualité du découpage des documents (le « chunking ») pèse plus que le choix de la base : des fragments trop longs noient l'information, trop courts la décontextualisent. Le choix du modèle d'embedding compte aussi pour le français — un modèle entraîné surtout en anglais dégrade la pertinence. Enfin, une base vectorielle héberge une copie dérivée de vos documents : son hébergement mérite la même exigence de souveraineté que les données d'origine.

Quand s'y intéresser

Dès que la recherche par mots-clés ne suffit plus, ou qu'un projet RAG démarre : c'est l'infrastructure qui détermine la qualité des réponses.