C'est quoi un embedding (et comment l'IA « comprend » le sens) ?

Un embedding transforme un mot, une phrase ou un document en une liste de nombres (un vecteur) qui capture son sens, de telle sorte que deux textes au sens proche obtiennent des vecteurs proches. C'est ce qui permet à une machine de comparer des textes par le sens, et pas seulement par les mots qu'ils contiennent.

C'est un des mécanismes les plus utiles et les moins connus de l'IA moderne. Une fois que tu l'as en tête, la recherche par sens, la recommandation et le RAG cessent d'être de la magie.

Du texte vers des nombres

Une machine ne manipule pas des mots, elle manipule des nombres. Un embedding est la traduction : tu lui donnes « canapé en cuir trois places », il te rend une liste de plusieurs centaines de nombres. Cette liste est ce qu'on appelle un vecteur.

Le mot « embedding » vient de l'idée de « plonger » un texte dans un espace de nombres. Chaque texte devient un point dans cet espace. Ce qui rend la chose intéressante, ce n'est pas le vecteur tout seul, qui est illisible pour un humain, mais la position relative des points les uns par rapport aux autres.

L'analogie de la carte

Imagine une immense carte. Chaque texte y est posé comme une ville. La règle de placement est simple : plus deux textes parlent de choses proches, plus leurs points sont rapprochés sur la carte.

« Canapé » et « sofa » atterrissent presque au même endroit. « Canapé » et « fauteuil » sont voisins, dans le même quartier du mobilier d'assise. « Canapé » et « facture » sont à l'autre bout de la carte. C'est tout l'enjeu d'un embedding : ranger le sens dans l'espace, pour que la proximité géométrique reflète la proximité de sens. Les spécialistes parlent de « proximité dans l'espace vectoriel », mais l'image de la carte suffit pour la suite.

Cette carte n'est pas en deux dimensions comme une vraie carte ; elle en a souvent plusieurs centaines. Tu n'as pas besoin de te la représenter : retiens juste que « proche sur la carte » veut dire « proche en sens ».

La différence avec un mot-clé exact

C'est là que l'embedding change tout par rapport à une recherche classique. Une recherche par mot-clé cherche la présence littérale des mots que tu as tapés. Si le mot n'est pas dans le texte, le texte ne ressort pas, même s'il parle exactement de la même chose.

Une recherche par embedding compare les sens, pas les lettres. Elle rapproche deux textes qui ne partagent aucun mot mais parlent de la même réalité. « Voiture » et « automobile » n'ont aucune lettre en commun ; leurs embeddings sont quasi confondus. C'est la bascule du « cherche ces mots-là » vers « cherche cette idée-là ».

L'exemple Maisons&Mobilia : le client qui décrit son besoin

Sur le site de Maisons&Mobilia (M&M), un client tape dans la recherche : « canapé qui ne craint pas les enfants ». Aucune fiche produit ne contient cette phrase. Personne, côté M&M, n'a rédigé « ne craint pas les enfants ».

Avec une recherche par mot-clé, le résultat est maigre : la fiche du canapé idéal dit « tissu déperlant, déhoussable et lavable en machine », pas un mot ne recoupe la requête, donc elle ne remonte pas. Le client repart frustré, et M&M perd une vente.

Avec des embeddings, la requête et chaque fiche produit sont d'abord transformées en vecteurs. Sur la carte du sens, « ne craint pas les enfants » se retrouve tout près de « déperlant, lavable, résistant aux taches », parce que ces formulations parlent de la même idée de robustesse au quotidien. Le bon canapé remonte en tête, sans qu'aucun mot ne soit partagé. Le client a décrit son problème avec ses mots, la machine a compris l'intention.

Ce que l'embedding rend possible

Une fois que les textes vivent sur cette carte du sens, plusieurs usages tombent presque gratuitement.

Usage	Ce que fait l'embedding
Recherche par sens	Rapproche une requête des textes proches en sens, pas en mots
Recommandation	Suggère les produits voisins sur la carte de celui que tu regardes
Regroupement	Rassemble en paquets les textes proches (avis qui parlent du même souci)
RAG	Retrouve les passages de tes documents les plus pertinents pour une question

Le dernier usage est le plus structurant aujourd'hui. Le RAG (retrieval-augmented generation) consiste à donner à un LLM les bons extraits de tes propres documents avant qu'il réponde. La brique qui retrouve ces bons extraits, c'est l'embedding : on transforme la question et tous les documents en vecteurs, et on garde les passages les plus proches de la question sur la carte. Sans embedding, pas de RAG. Le détail du mécanisme est dans qu'est-ce qu'un RAG.

Embedding et LLM, deux briques distinctes

On confond parfois les deux. Un embedding ne génère rien : il ne fait que situer un texte sur la carte du sens. C'est un outil de comparaison, pas de rédaction. Un LLM, lui, produit du texte. Pour comprendre ce second pan, vois c'est quoi un LLM.

Les deux travaillent souvent ensemble. Dans un RAG, l'embedding retrouve les passages pertinents, puis le LLM rédige la réponse à partir de ces passages. Chacun fait une chose, et bien : l'embedding range et compare, le LLM écrit. Garder la frontière nette t'évite d'attendre d'un embedding une réponse rédigée, ou d'un LLM seul une recherche fiable dans tes documents.

Aller plus loin

L'embedding est le moteur silencieux du RAG : la suite logique est qu'est-ce qu'un RAG, qui montre comment on s'en sert pour répondre sur tes propres documents. Et pour la brique qui rédige une fois les bons passages trouvés, vois c'est quoi un LLM.

Tu peux aussi manipuler ces notions pas à pas dans l'app saisir.ai, en modules courts et concrets.