Le document qu'on ne retrouve jamais#
Vous savez qu'une note interne parle de la procédure à suivre quand un fournisseur livre en retard. Vous tapez « retard de livraison » dans la recherche du serveur de fichiers. Rien. La note existe pourtant : elle s'intitule « Gestion des défauts d'approvisionnement » et ne contient pas une seule fois le mot « retard ».
La recherche classique compare des mots. Vous cherchiez un sens. C'est exactement le problème que résout l'embedding.
Qu'est-ce qu'un embedding ?#
Un texte devenu coordonnées#
Un embedding (en français, on parle parfois de plongement ou de vectorisation) est une liste de nombres, souvent plusieurs centaines, calculée par un modèle d'IA à partir d'un texte. Cette liste s'appelle un vecteur.
Imaginez une immense carte où chaque texte occupe un point. Le modèle a appris à placer les textes de sorte que ceux qui parlent de la même chose se retrouvent voisins : « retard de livraison » et « défaut d'approvisionnement » tombent dans le même quartier, loin de « recette de cuisine ». La carte a des centaines de dimensions au lieu de deux, mais l'idée est celle-là.
Mesurer une proximité de sens#
Une fois les textes transformés en vecteurs, on peut mesurer leur distance. Deux vecteurs proches signifient deux textes proches par le sens, même sans aucun mot commun. Une question se transforme elle aussi en vecteur, et l'on cherche les documents les plus proches d'elle.
C'est ce qu'on appelle la recherche sémantique : chercher par le sens, et non par la lettre.
À quoi sert un embedding en entreprise#
Retrouver dans une masse de documents#
C'est l'usage roi : interroger des milliers de notes, de procédures, de contrats ou d'échanges avec une question en langage courant, et obtenir les passages pertinents, même formulés autrement.
Nourrir l'IA avec les bons passages#
L'embedding est la première étape de la technique du RAG. Avant de répondre, le système transforme votre question en vecteur, retrouve les passages les plus proches dans vos documents, et les donne au modèle de langage. Le modèle répond alors à partir de votre matière, et non de sa mémoire.
Regrouper et dédoublonner#
Des vecteurs proches signalent des textes semblables : on peut ainsi repérer des doublons, regrouper des demandes similaires ou classer automatiquement des documents par thème.
La base vectorielle, l'entrepôt des embeddings#
Calculer l'embedding de dix mille documents à chaque question serait bien trop lent. On les calcule donc une fois, et on les range dans une base vectorielle : une base de données conçue pour retrouver très vite les vecteurs les plus proches d'un vecteur donné.
Le fonctionnement typique :
- les documents sont découpés en passages de taille raisonnable ;
- chaque passage est transformé en vecteur ;
- les vecteurs sont rangés dans la base, avec un lien vers leur passage d'origine ;
- à chaque question, la base rend les passages les plus proches.
Le découpage compte beaucoup : un passage trop long mélange plusieurs idées et brouille son vecteur ; un passage trop court perd son contexte.
Les angles morts de l'embedding#
Il ne lit que ce qu'on lui donne#
Un PDF scanné sans reconnaissance de texte est une image : aucun embedding ne peut en tirer de sens. La qualité de la lecture des documents conditionne tout le reste. C'est pour cela qu'AIKeep lit les scans sur le poste, redresse les pages de travers et vous nomme les pièces qu'il n'a pas pu lire, au lieu de les ignorer.
Le sens n'est pas la précision#
L'embedding rapproche ce qui se ressemble. Il peut donc confondre deux contrats presque identiques, deux années d'un même rapport, ou un numéro de dossier avec un autre. Pour un identifiant, une référence exacte ou une date, la bonne vieille recherche par mots reste meilleure. Les bons systèmes combinent d'ailleurs les deux.
Les vecteurs restent des données#
Un vecteur est calculé à partir de votre texte et peut en laisser deviner une partie. Une base vectorielle construite sur des documents confidentiels mérite la même protection que ces documents.
Et chez vous ?#
Faites l'essai de la note introuvable. Choisissez un document interne et cherchez-le avec une question formulée comme vous la poseriez à un collègue, sans reprendre ses mots. Si votre outil de recherche ne le trouve pas, vous savez ce qu'une recherche sémantique changerait au quotidien de votre équipe.