Embeddings et recherche vectorielle
Un embedding transforme un morceau de texte en une liste de nombres (un vecteur) qui capture son sens. Les textes au sens proche obtiennent des vecteurs proches les uns des autres — même s'ils ne partagent aucun mot. C'est l'astuce derrière la recherche sémantique et le RAG.
L'intuition
Imaginez chaque phrase placée comme un point dans un immense espace multidimensionnel, agencé de sorte que les sens proches se trouvent près les uns des autres. « Comment réinitialiser mon mot de passe ? » atterrit près de « J'ai oublié mes identifiants », loin de « la meilleure pizza de Rome ».
Recherche sémantique vs recherche par mots-clés
- La recherche par mots-clés fait correspondre les mots littéraux (« mot de passe » trouve « mot de passe »).
- La recherche sémantique fait correspondre le sens — « je n'arrive pas à me connecter » trouve la doc de réinitialisation du mot de passe même sans le mot « mot de passe ».
Les meilleurs résultats combinent souvent les deux (recherche hybride).
Comment fonctionne une recherche vectorielle
- Encodez (embed) vos documents (généralement découpés en fragments) et stockez les vecteurs dans une base de données vectorielle.
- Au moment de la requête, encodez la requête.
- Trouvez les vecteurs les plus proches (par similarité cosinus / distance).
- Renvoyez ces fragments — généralement pour les fournir au RAG.
Notes pratiques
- Le découpage compte. Trop gros = correspondances bruitées ; trop petit = contexte perdu. Réglez-le.
- Utilisez un seul modèle d'embedding de façon cohérente — les vecteurs issus de modèles différents ne sont pas comparables.
- Métadonnées + filtres (date, source, type) rendent la récupération bien plus précise.
- Une base vectorielle n'est pas toujours nécessaire — pour de petits corpus, une simple recherche en mémoire suffit.