Embeddings

Un modèle d’embeddings transforme un contenu en une liste de nombres, appelée vecteur. Cette liste n’est pas une traduction lisible du texte : elle représente des caractéristiques que le modèle a apprises. Pour chercher une procédure, le système convertit aussi la question en vecteur, puis compare sa position à celle des passages indexés.

La proximité est calculée avec une mesure mathématique. Elle donne un classement, pas une vérité. Deux passages qui utilisent des mots différents peuvent être proches ; deux passages qui se ressemblent beaucoup peuvent être séparés si leur contexte diverge. Les résultats sont souvent combinés avec une recherche par mots-clés, utile pour un code produit, une référence ou une expression réglementaire précise.

• Les documents sont découpés avant indexation pour que le résultat renvoie un passage exploitable.
• La question et les passages doivent être produits par un modèle compatible dans le même espace de représentation.
• Les métadonnées permettent de filtrer avant la comparaison selon la langue, la date ou le droit d’accès.

Changer de modèle modifie généralement cet espace numérique. Il faut alors reconstruire l’index au lieu de mélanger d’anciennes et de nouvelles représentations. Le choix du découpage, du modèle et des filtres se teste sur de vraies questions métier, pas seulement sur une requête de démonstration particulièrement favorable.

Les embeddings sont utiles pour rapprocher des contenus qui n’emploient pas le même vocabulaire. Une personne peut demander « remboursement d’un déplacement » alors que la procédure est intitulée « frais professionnels ». La recherche sémantique remonte ce document si la représentation des deux formulations est assez proche.

Cette technique sert aussi à regrouper des tickets similaires, à repérer des doublons de fiches produit ou à suggérer des contenus voisins à relire. Elle n’explique pas seule pourquoi deux éléments sont liés. Une équipe doit conserver le titre, l’extrait, la source et les métadonnées qui permettent de vérifier le résultat.

• Dans un RAG, les vecteurs aident à sélectionner les passages donnés au modèle de langage.
• Dans un catalogue, ils peuvent rapprocher une demande libre d’une famille de produits.
• Dans une boîte partagée, ils peuvent proposer un regroupement de messages avant le contrôle par un opérateur.

Pour une recherche documentaire, ils s’insèrent souvent dans une base de données vectorielle qui stocke les vecteurs et trouve les voisins proches. Le service de chatbot IA et RAG associe cette recherche aux documents, aux sources affichées et aux droits d’accès nécessaires au contexte de l’entreprise.

Un voisin numérique n’est pas forcément la bonne réponse. Une notice ancienne peut être très proche de la question, tout en étant remplacée par une version plus récente. Un passage commercial peut ressembler à une règle opérationnelle sans avoir la même autorité. Les filtres documentaires et la hiérarchie des sources sont donc aussi importants que la distance calculée.

Les vecteurs restent dérivés de contenus potentiellement sensibles. Ils ne doivent pas être considérés comme anonymes par défaut. Les règles de confidentialité, d’hébergement, de conservation et de suppression s’appliquent au corpus et à son index. Des droits mal propagés peuvent faire remonter une information à un utilisateur qui ne devrait pas la consulter.

• Constituez un jeu de questions annoté par les utilisateurs et observez les premiers résultats retournés.
• Testez les sigles, les synonymes, les fautes fréquentes et les requêtes qui ne doivent rien révéler.
• Suivez les documents périmés, les échecs de recherche et les corrections apportées par les équipes.

Les embeddings ne remplacent ni une politique documentaire ni le contrôle d’une réponse générée par un LLM. Nous déconseillons de les utiliser comme score automatique pour classer une personne, accepter un dossier ou interpréter une clause. Un audit IA permet de fixer les critères de pertinence, les limites d’usage et la responsabilité de chaque source avant l’indexation. Une évaluation utile compare aussi les résultats entre métiers, langues et types de documents, afin qu’un corpus majoritaire ne masque pas les demandes moins fréquentes.