Qu'est-ce qu'un embedding (vecteur) ? Quand le sens devient des nombres, usages et choix du modèle

RAG, recherche sémantique, recommandations — le travailleur de l'ombre derrière tout cela, c'est l'embedding (vecteur). En une phrase, c'est « une technique pour convertir le sens des mots en une suite de nombres ». Discret, mais c'est le socle de la recherche et de l'exploitation des connaissances à l'ère de l'IA.

Cet article explique aux débutants ce qu'est un embedding, pourquoi il peut mesurer le sens, à quoi il sert, comment choisir un modèle, ainsi que les bases vectorielles et comment démarrer.

1. Qu'est-ce qu'un embedding (vecteur) ?

Un embedding, c'est le « sens » d'un texte (ou d'une image, etc.) converti en une suite de nombres — un vecteur. Par exemple, le mot « chien » est remplacé par une liste de centaines à milliers de nombres comme [0.21, -0.78, 0.34, ...]. Pour un humain, cela ressemble à des nombres dénués de sens, mais cette suite est un ensemble de « coordonnées du sens ».

Imaginez une « carte du sens ». Tout comme des villes proches sur une carte sont géographiquement voisines, dans l'espace des embeddings les mots proches par le sens sont placés les uns près des autres. « Chien » et « chiot » sont proches ; « chien » et « voiture » sont éloignés. Pouvoir calculer cette « distance », c'est tout l'intérêt.

2. Pourquoi la « proximité » mesure le sens

Les embeddings sont construits en apprenant, à partir d'énormes volumes de texte, « quels mots tendent à être employés ensemble ». Résultat : les mots utilisés dans des contextes similaires reçoivent des nombres similaires. La proximité de deux vecteurs peut se quantifier par des mesures comme la similarité cosinus, où plus on est proche de 1, plus le sens est « similaire ».

Un vecteur réel est composé de centaines à milliers de nombres (dimensions), et ce nombre élevé exprime d'innombrables facettes du sens — « est-ce un animal ? », « un véhicule ? », « grand ou petit ? » — un peu à la fois. Plus il y a de dimensions, plus les nuances fines sont captées, mais les coûts de stockage et de calcul augmentent d'autant.

Ainsi, même quand les caractères ne correspondent pas, une machine peut juger « si le sens est proche ». C'est le véritable mécanisme qui permet de traiter « IA » et « intelligence artificielle » comme une même chose, ou de retrouver un document formulé comme « étapes pour annuler et obtenir un remboursement » à partir d'une question telle que « je veux récupérer mon argent ».

3. À quoi ça sert ? (RAG, recherche sémantique)

Les embeddings sont rarement utilisés seuls — ils sous-tendent diverses fonctionnalités bâties sur la « proximité de sens ». Voici les principaux usages.

En particulier, le RAG ne peut exister sans embeddings. Un système qui interroge des documents internes pour faire répondre l'IA fonctionne en vectorisant les documents à l'avance. Au-delà du texte, les embeddings multimodaux, qui placent images et audio dans le même espace, se répandent eux aussi.

4. Comment choisir un modèle d'embedding

Les embeddings sont produits par un « modèle d'embedding » dédié. Il existe globalement deux options.

※ Les noms de modèles et les chiffres proviennent de divers guides et publications (en date de juin 2026). Le meilleur modèle varie selon la langue, l'usage et le budget : le plus sûr est de tester et de choisir.

5. Bases vectorielles et premiers pas

Les embeddings que vous créez sont stockés dans une base de données vectorielle (base vectorielle). C'est une base spécialisée pour trouver rapidement « ceux qui sont proches de la question » parmi d'énormes quantités de vecteurs — par exemple Pinecone, Weaviate, Qdrant, Chroma et pgvector. Elle devient le « moteur de recherche » de la recherche sémantique et du RAG.

Démarrer est simple.

• ① Choisir un modèle d'embedding : un type API (par exemple text-embedding-3-small d'OpenAI) est facile pour débuter.
• ② Vectoriser et stocker les documents : transformer vos documents en vecteurs avec le modèle et les déposer dans la base vectorielle.
• ③ Vectoriser la question et rechercher : vectoriser la question avec le même modèle et en extraire les documents les plus proches.

Ces trois étapes constituent précisément le socle de la mise en œuvre du RAG. Mesurez et améliorez la précision de la recherche que vous construisez avec les évaluations d'IA.

En résumé

Trois points à retenir sur les embeddings.

• Ce que c'est : une technique qui convertit le « sens » des mots en une suite de nombres (un vecteur). Plus le sens est proche, plus le vecteur est proche.
• Son rôle : le socle du RAG, de la recherche sémantique, de la classification, de la déduplication et des recommandations. Il permet de travailler par « sens », et non par correspondance exacte des mots.
• Comment démarrer : commencer facilement avec un modèle de type API. Stocker dans une base vectorielle et rechercher. Ajuster le coût avec Matryoshka.

Les embeddings sont le premier pas pour bâtir de la recherche et de l'exploitation des connaissances avec l'IA. Commencez par vectoriser deux phrases avec un modèle d'embedding et calculer leur proximité. Lisez en parallèle le RAG et comment fonctionnent les LLM pour avoir une vue d'ensemble.

Pour pousser encore la précision de la recherche par embeddings, l'étape suivante, c'est le « reranking ». Lisez qu'est-ce que le reranking pour réordonner les candidats par pertinence et améliorer la précision du RAG.

FAQ