Qu’est-ce que Embedding vectoriel ?

C'est comme traduire une phrase en coordonnées GPS dans un pays à mille dimensions : deux phrases proches y sont voisines même sans mots identiques. Les embeddings sont produits par modèles entraînés (OpenAI, Cohere, modèles open source…) ; ils servent à retrouver documents pertinents dans une [base vectorielle](/lexique/vector-database-base-donnees-vectorielle) avant qu’un LLM ne synthétise une réponse — pilier du [RAG](/lexique/rag-retrieval-augmented-generation).

Chunking des documents ; calcul embeddings offline ou à l’indexation ; stockage dans base vectorielle ; à la requête, embedding de la question puis plus proches voisins ; passage des passages au LLM avec contraintes de citation. Multilingue et domaines spécialisés peuvent nécessiter modèles adaptés fine-tunés ou entraînés métier.

Sans bons embeddings et bon découpage documentaire, les assistants RAG hallucinent ou citent hors sujet — les audits internes montrent souvent que la moitié ou plus des erreurs « métier » viennent du retrieval, pas du modèle génératif. Améliorer embeddings et métadonnées peut réduire fortement le temps passé à corriger réponses en production.

• Évaluations retrieval (precision@k) sur jeux de questions métier ; versions embeddings documentées ; hygiene données source ; surveiller dérive lorsque corpus bouge vite (prix, réglementation).

• Chunks trop longs ou trop courts. Pas de métadonnées filtrables (auteur, date). Mélanger langues sans modèle adapté. Ignorer reranking secondaire.