Embeddings et bases vectorielles : la recherche sémantique

Chercher « voiture » et trouver des documents sur les « automobiles » : c’est la recherche sémantique. Elle repose sur les embeddings, au cœur du RAG et de bien des fonctionnalités IA.

Qu’est-ce qu’un embedding ?

Un embedding transforme un texte en un vecteur de nombres (par ex. 1 536 dimensions). L’idée géniale : deux textes de sens proche donnent des vecteurs proches dans l’espace.

embed("chat")   # -> [0.12, -0.04, 0.88, ...]
embed("chaton") # -> [0.14, -0.02, 0.85, ...]  (très proche)
embed("avion")  # -> [-0.71, 0.33, 0.05, ...]  (éloigné)

Mesurer la proximité

On compare deux vecteurs par leur similarité cosinus : proche de 1 = sens très proche, proche de 0 = sans rapport. C’est ce calcul que fait une base vectorielle, à grande échelle et très vite.

La base vectorielle

Elle stocke des millions de vecteurs et trouve les plus proches d’une requête en quelques millisecondes, grâce à des index spécialisés (HNSW, IVF) :

db.add(id="doc1", vector=embed("politique de retour sous 30 jours"))
hits = db.query(embed("comment renvoyer un article ?"), top_k=3)
# -> retrouve "doc1" même sans mots en commun

Au-delà de la recherche

Les embeddings servent aussi à classer, regrouper (clustering), détecter des doublons ou recommander. Dès qu’on a besoin de « ce qui se ressemble », ils sont l’outil.

À retenir

La recherche par mots-clés trouve les mots ; la recherche sémantique trouve le sens. Les deux sont souvent complémentaires (recherche hybride) — un détail d’implémentation qui change beaucoup la pertinence.