Embedding (AI)
Un embedding IA est un vecteur numérique dense représentant le sens sémantique d'un texte, permettant la comparaison mathématique de concepts.
Qu’est-ce que Embedding (AI) ?
En intelligence artificielle, un embedding est un vecteur numérique dense (typiquement 256 à 3072 dimensions) représentant le sens sémantique d'un contenu. L'idée fondamentale : des textes de sens similaire sont représentés par des vecteurs proches. « Comment réinitialiser mon mot de passe ? » et « J'ai oublié mes identifiants » auraient des vecteurs très similaires. Les embeddings sont la base mathématique de la recherche d'information moderne et du RAG.
Comment fonctionne Embedding (AI) ?
Le texte passe par un réseau neuronal (encoder transformer) qui le compresse en vecteur de longueur fixe. Dans le RAG, ils servent à l'indexation pendant l'ingestion et à la récupération lors des requêtes.
Pourquoi Embedding (AI) est important
Ils rendent possible la recherche sémantique — trouver des informations pertinentes par le sens, pas par correspondance exacte de mots-clés.
Comment Chatloom utilise Embedding (AI)
Chatloom utilise des modèles d'embedding (configurable entre OpenAI et Voyage AI) avec base de données pgvector et recherche hybride.
Termes associés
Explorez les concepts associés pour approfondir votre compréhension.
Questions fréquentes
- Quelle différence entre embeddings et mots-clés ?
- Les mots-clés sont des correspondances exactes. Les embeddings capturent le sens sémantique comme vecteurs.
- Combien de dimensions ?
- Les modèles courants produisent des vecteurs de 256 à 3072 dimensions.
- Peut-on utiliser le même modèle pour différentes langues ?
- Oui, les modèles modernes sont multilingues et permettent la récupération translinguistique.