Glossaire IA · Données et connaissances
Embeddings
En une phrase
Un embedding est une suite de nombres qui représente le sens d'un texte, d'une image ou d'un son. Deux textes de sens proche ont des embeddings proches, ce qui permet de chercher par le sens et pas seulement par les mots exacts.
Autres noms: plongements · plongements lexicaux · vecteurs sémantiques · représentation vectorielle
Qu’est-ce qu’un embedding ?
Un ordinateur ne comprend pas spontanément que « combien de temps pour la livraison ? » et « quand vais-je recevoir ma commande ? » posent la même question. Les mots ne correspondent pas. Les embeddings règlent ce problème : un modèle transforme chaque texte en une suite de centaines ou de milliers de nombres, placée dans un espace où ce qui se ressemble se retrouve proche.
Passez à la pratique
L'IA d'UTIO, par API
Dès 29 €/mois + TVA
Pour les développeurs et les agences qui construisent leurs propres produits.
Découvrir l'API d'IAPensez à une carte. Au lieu de deux coordonnées, elle en a des centaines, mais l’idée est la même : « livraison », « expédition » et « délai d’acheminement » tombent dans la même zone ; « facture » tombe loin. Pour savoir si deux textes parlent de la même chose, il suffit de mesurer la distance entre leurs points.
En lien avec ce terme
API d'IA
- Transcription, voix, texte, image, OCR et embeddings
- Clés par client avec plafond de dépense
- Porte-monnaie prépayé : recharge minimale de 50 €
Dès 29 €/mois + TVA Compte avec panneau, plus la consommation
Découvrir l'API d'IAComment ça marche
- Calculer. Un modèle d’embeddings lit le texte, découpé en tokens, et renvoie son vecteur : la suite de nombres.
- Stocker. Les vecteurs de vos documents sont conservés, en général dans une base de données vectorielle.
- Comparer. Quand une question arrive, on calcule son vecteur et on cherche les plus proches.
Cela sert à plusieurs choses :
- La recherche sémantique : trouver le paragraphe qui répond, même s’il n’emploie pas les mêmes mots.
- Le RAG : transmettre ces paragraphes au modèle de langage pour qu’il réponde avec vos données.
- Classer et regrouper : rapprocher des messages semblables, repérer les sujets récurrents.
- Détecter les doublons dans un catalogue ou une base de données.
Une nuance : les embeddings capturent la proximité de sens, pas la vérité. Deux phrases contradictoires sur le même sujet peuvent être très proches.
Exemple
Une quincaillerie en ligne de Clermont-Ferrand compte 8 000 références et un moteur de recherche qui ne trouve que les correspondances exactes. Qui tape « accrocher un tableau sans percer » ne trouve rien, car aucun produit ne porte ce nom.
La boutique calcule l’embedding de chaque fiche produit et de chaque recherche. Désormais, cette recherche renvoie des bandes adhésives, des crochets muraux et des attaches sans clou. Les fiches n’ont pas changé : c’est la façon de comparer qui a changé.
Les embeddings chez UTIO
Les agents UTIO répondent avec votre base de connaissances : ils cherchent dans votre documentation les passages utiles avant de répondre. Vous n’avez ni embeddings à calculer ni infrastructure à monter pour cela.
Si vous êtes développeur ou agence, l’API d’IA d’UTIO propose un service d’embeddings : des vecteurs pour indexer et chercher dans votre propre contenu, avec la même clé que la transcription, l’OCR ou la génération de texte. Vous choisissez où les stocker et comment les interroger.
Questions fréquentes
Quelle différence entre un token et un embedding ?
Un token est un morceau de texte, l'unité que lit le modèle. Un embedding est une suite de nombres qui résume le sens d'un passage entier, d'une phrase ou d'un extrait. Le texte est d'abord découpé en tokens, puis le modèle calcule l'embedding.
Les embeddings de modèles différents sont-ils compatibles ?
Non. Chaque modèle d'embeddings a son propre espace de nombres. Si vous changez de modèle, il faut recalculer les embeddings de tous vos documents.
Les embeddings fonctionnent-ils d'une langue à l'autre ?
Les modèles multilingues placent côte à côte des phrases de même sens, même dans des langues différentes. Une question posée en français peut ainsi retrouver un document rédigé en anglais.
Termes associés
- Base de données vectorielle
Une base de données vectorielle stocke des embeddings, ces suites de nombres qui représentent le sens d'un contenu, et retrouve très vite les plus proches d'une requête. C'est la brique de recherche de la plupart des systèmes RAG.
- RAG
Le RAG (génération augmentée par récupération) est une technique qui fait chercher à un modèle de langage les passages utiles dans vos documents, puis rédiger sa réponse à partir d'eux, au lieu de répondre uniquement de mémoire.
- Base de connaissances
Une base de connaissances est l'ensemble organisé des informations d'une entreprise (questions fréquentes, conditions, horaires, fiches produit, procédures) dans lequel un agent IA ou une équipe va chercher ses réponses.
- Tokenisation
La tokenisation est l'étape qui découpe un texte en tokens, les morceaux que comprend un modèle de langage, et associe à chacun un numéro de son vocabulaire. C'est le passage obligé avant que le modèle puisse lire ou écrire quoi que ce soit.
- Classification de texte
La classification de texte est la tâche d'IA qui attribue automatiquement une ou plusieurs catégories à un texte, comme un e-mail ou un message : type de demande, sujet, priorité ou langue. C'est la base pour trier, prioriser et répartir le travail.
Mis à jour le