Notion · Brancher l’IA sur ses données
Embedding
Une représentation numérique d’un contenu qui permet notamment de comparer des textes par leur sens. Elle sert souvent à retrouver des documents proches d’une demande.
Comment ça marche
Pour qu’un ordinateur compare le sens de deux textes, il faut les transformer en quelque chose qu’il sait comparer : des nombres. Un modèle d’embedding fait exactement ça. Il lit un texte et produit une liste de nombres, son embedding, construite de façon à ce que des textes au sens proche donnent des listes proches. « Le client n’a pas réglé sa facture » et « paiement en retard » tombent au même endroit.
Une fois chaque fragment de document converti en embedding et rangé dans une base vectorielle, retrouver les passages pertinents pour une question devient un calcul de distance : on convertit la question, on cherche les fragments les plus proches. C’est le moteur de la recherche sémantique et du RAG. Le choix du modèle d’embedding compte : entraîné sur l’anglais, sur le grand public ou trop petit, il place mal les textes français professionnels.
Un exemple concret
- Le jeu de test : 50 questions réelles posées par les opérateurs, avec pour chacune le document qui contient la réponse.
- Modèle A, généraliste, orienté anglais : le bon document remonte en première position pour 29 questions sur 50. Il confond régulièrement « arrêt d’urgence » et « arrêt de production ».
- Modèle B, multilingue, plus récent, tournant en local : 43 sur 50. Les termes techniques français sont mieux placés.
- Décision : le modèle B, installé sur le serveur de l’entreprise. Les 7 échecs restants viennent de documents mal découpés, corrigés ensuite.
Même base, mêmes documents, même modèle de chat. Seul l’embedding a changé, et la moitié des réponses manquées sont revenues.
Ce que ça change pour une équipe
- La recherche par le sens devient possible. Les documents écrits par d’autres, avec d’autres mots, redeviennent trouvables.
- Le choix du modèle se mesure. Un jeu de questions réelles et deux candidats : la comparaison prend une après-midi et change tout.
- Tout peut rester en interne. Les modèles d’embedding sont petits ; ils tournent sur une machine modeste. Aucun document n’a besoin de sortir pour être indexé.
- Les mêmes embeddings servent à d’autres usages. Détecter les doublons, regrouper des documents par thème, classer des demandes : autant d’applications de la même brique.
Les limites et les erreurs fréquentes
- Prendre le modèle par défaut de l’outil. Souvent orienté anglais, ou ancien. Tester un modèle multilingue récent sur ses propres textes.
- Changer de modèle sans tout réindexer. Les embeddings de deux modèles ne sont pas comparables. Changer de modèle, c’est recalculer toute la base.
- Oublier les termes exacts. Un embedding peut rapprocher deux références de produit différentes parce qu’elles « se ressemblent ». Pour les codes et les noms, la recherche par mots exacts reste nécessaire.
- Croire que l’embedding comprend. Il place, il ne raisonne pas. Un passage proche de la question n’est pas forcément celui qui y répond. La vérification sur un jeu de test tranche.
Pour aller plus loin
Un modèle transforme un contenu en vecteur dans un espace multidimensionnel. La proximité se mesure par une métrique comme la similarité cosinus. Un embedding peut révéler des informations et ne doit pas être considéré comme une anonymisation.
Où ça se situe chez Opora
Programme 03 · Garder la maîtriseL’IA chez vous, sans que vos données sortent
Choisir un modèle d’embedding adapté au français et le faire tourner en interne, c’est un des choix techniques que nous faisons ensemble dans le programme Garder la maîtrise.
Questions fréquentes
Un embedding, ça ressemble à quoi ?
À une longue liste de nombres, souvent plusieurs centaines ou milliers, produite par un modèle à partir d’un texte. Personne ne la lit. Ce qui compte, c’est que deux textes au sens proche produisent des listes proches, et deux textes sans rapport des listes éloignées.
Les embeddings sont-ils une fuite de données ?
Un embedding ne permet pas de reconstituer le texte exact, mais il en garde le sens, et des attaques permettent parfois d’en retrouver une partie. On le traite comme une donnée dérivée du document, avec le même niveau de protection. Un modèle d’embedding local évite d’envoyer les textes à l’extérieur.
Faut-il un modèle d’embedding différent du modèle de chat ?
Oui, en général. Les modèles d’embedding sont spécialisés, petits et rapides. Ils tournent facilement en local. Le modèle de chat, lui, n’intervient qu’après, pour rédiger la réponse à partir des passages retrouvés.