L’IA simplementComprendre · agir · vérifier

Des contenus transformés en coordonnées

Qu’est-ce qu’un embedding ?

Un embedding — ou représentation vectorielle — est une liste de nombres qui place un texte, une image ou un son dans un espace mathématique. Les contenus jugés proches par le modèle y sont souvent voisins.

Image simpleComme une adresse sur une carte, mais avec beaucoup plus que deux directions.
« chat » devient[ 0,12 ; −0,74 ; 0,33 ; … ]
chatchienvélo
Carte simplifiée en deux dimensions

La carte des proximités

Choisissez une recherche et observez les voisins

Ces exemples sont préparés pour expliquer le principe : aucun modèle d’IA n’est interrogé en direct.

Du contenu aux nombres

Une position résume des caractéristiques apprises

Pendant l’entraînement, le modèle apprend à transformer un contenu en vecteur. Chaque vecteur comporte de nombreuses coordonnées : parfois quelques centaines ou milliers.

À retenir : une coordonnée isolée n’a généralement pas une définition lisible comme « humour » ou « couleur rouge ». C’est l’ensemble du vecteur qui devient utile.

  1. 1

    Contenuphrase, image, son ou produit

  2. 2

    Encodeurle modèle calcule une représentation

  3. 3

    Vecteurune longue liste de nombres

  4. 4

    Comparaisonon mesure la proximité entre vecteurs

Proche selon un calcul

La similarité aide à retrouver sans chercher les mêmes mots

Un moteur classique peut rechercher une suite exacte de caractères. Une recherche sémantique compare plutôt les vecteurs pour retrouver des contenus associés au sens de la demande.

Mot à mot« voiture peu polluante »

peut manquer un texte qui parle seulement de « véhicule électrique ».

Par similaritéintention ↔ contenu proche

peut rapprocher ces formulations, si le modèle a appris cette relation.

Le contexte change la position

Un même mot peut recevoir des représentations différentes

Les anciens embeddings attribuaient souvent un vecteur fixe à chaque mot. Les modèles contextuels peuvent représenter le mot selon la phrase où il apparaît.

« Je mange une orange. »fruit · agrume · alimentation
« Le mur est orange. »couleur · peinture · teinte

Le mot est identique, mais son entourage indique deux sens différents.

À quoi cela sert

Quatre usages fréquents des embeddings

01

Recherche sémantique

Retrouver un passage pertinent même si les mots diffèrent.

02

Regroupement

Former des ensembles de contenus similaires sans catégories écrites à la main.

03

Recommandation

Proposer des produits, films ou documents proches d’un intérêt.

04

RAG

Sélectionner des documents à fournir à une IA avant qu’elle réponde.

Les limites à garder en tête

Proximité ne signifie ni vérité, ni neutralité

La carte est apprise

Elle dépend des données, du modèle et de l’objectif choisi ; elle peut donc reproduire des biais.

La proximité est spécifique

Deux contenus proches pour une tâche peuvent ne pas l’être pour une autre.

Le dessin simplifie

Une carte en 2D écrase un espace à nombreuses dimensions et peut déformer les distances.

Un voisin peut être faux

La similarité aide à retrouver, mais ne vérifie ni la source ni l’exactitude du contenu.

Avant de faire confiance au résultat

Six questions simples à poser

  1. 01

    Quel modèle ?
    Convient-il à la langue et au type de contenu ?

  2. 02

    Quelle tâche ?
    Recherche, recommandation et classement ont des besoins différents.

  3. 03

    Quelles données ?
    Les exemples d’apprentissage peuvent contenir lacunes et stéréotypes.

  4. 04

    Quelle mesure ?
    Le seuil et le calcul changent les voisins retenus.

  5. 05

    Quelle évaluation ?
    Il faut tester avec des cas réels, ambigus et difficiles.

  6. 06

    Quel contrôle ?
    Les résultats importants doivent être vérifiés dans leur source.

Sources de référence

Pour approfondir

Ces ressources expliquent l’espace vectoriel, les distances et les représentations de phrases.

Google for DevelopersIntroduction aux embeddings →Google for DevelopersEspaces vectoriels et limites des projections →Hugging FaceEmbeddings de phrases et similarité →

Sources consultées le 27 septembre 2026.

La suite logique

Voyez comment une IA retrouve des documents pour enrichir sa réponse.

Comprendre la mémoire et le RAG

Comprendre une notion

Gardez le fil de votre apprentissage.

Une étape courte et clairement reliée à ce que vous venez de lire.

À lire ensuiteQu’est-ce que le RAG ?Continuer →
Voir ma progressionExplorer les 66 fiches