Embedding (plongement vectoriel)

Un embedding, ou plongement vectoriel, transforme un contenu (mot, phrase, document, image, produit) en une liste de nombres appelée vecteur. Cette représentation est apprise par un modèle de manière que deux contenus au sens voisin aient des vecteurs proches dans l'espace mathématique : par exemple, deux questions formulées différemment mais portant sur le même sujet. Cette propriété permet de mesurer une similarité sémantique, et pas seulement de comparer des mots exacts comme le ferait une recherche classique par mots-clés. Les embeddings sont au coeur de la recherche sémantique, des systèmes de recommandation, du regroupement automatique de documents, de la détection de doublons et des architectures RAG. Ils sont généralement produits par des modèles dédiés, distincts des modèles qui génèrent du texte, et stockés dans une base de données vectorielle pour être interrogés rapidement. Leur qualité dépend du modèle choisi, de la langue et du domaine : un embedding généraliste peut moins bien distinguer le vocabulaire très spécialisé d'un secteur.