Embedding : traduire le sens d'un texte en nombres
Un embedding (plongement en français) est une liste de nombres, un vecteur, qui représente le sens d'un texte, d'une image ou d'un son. Deux contenus proches par le sens obtiennent des vecteurs proches, ce qui permet à une machine de chercher « par idée » plutôt que par mots exacts.
Données au 22 octobre 2026
L'essentiel en chiffres
| Niveau | Intermédiaire |
|---|
Le sens transformé en coordonnées
Imaginez une immense carte où chaque phrase aurait une position. « Comment résilier mon abonnement ? » et « Je veux arrêter mon contrat » seraient placées tout près l’une de l’autre, alors qu’elles n’ont presque aucun mot en commun. « Recette de crêpes » serait très loin. Un embedding, c’est cette position, exprimée sous forme d’une liste de nombres. La documentation d’OpenAI le résume ainsi : un embedding est un vecteur de nombres, et la distance entre deux vecteurs mesure à quel point les textes sont liés.
Ces vecteurs sont calculés par un réseau de neurones entraîné à rapprocher ce qui se ressemble. L’idée a été popularisée en 2013 par les travaux de Tomas Mikolov et de ses collègues chez Google sur word2vec, qui produisaient un vecteur par mot. Les modèles actuels encodent des phrases, des paragraphes, voire des images.
Un exemple concret
Un site de recettes veut que la recherche « dîner rapide sans four » trouve aussi « poêlée de légumes en 15 minutes ». Une recherche par mots-clés échoue : aucun mot ne correspond. Avec des embeddings, le site calcule le vecteur de chaque recette une fois pour toutes, puis celui de la requête, et affiche les recettes les plus proches. C’est le principe de la recherche sémantique.
Pourquoi ça compte
Les embeddings sont la brique invisible de nombreux usages : recherche dans des documents, recommandations, détection de doublons, classement automatique. Ils sont surtout au cœur du RAG : vos documents sont convertis en vecteurs et stockés dans une base de données vectorielle, qui retrouve les passages utiles avant que le modèle ne réponde. Leur calcul est en général facturé au nombre de tokens envoyés ; notre estimateur de tokens aide à évaluer le volume d’un corpus.
Idées reçues et pièges fréquents
- « Proche en sens veut dire vrai. » Un embedding mesure la ressemblance, pas l’exactitude : un texte faux mais bien formulé peut être très proche de votre question.
- « Plus de dimensions, c’est toujours mieux. » Des vecteurs plus longs coûtent plus cher à stocker et à comparer ; le bon choix dépend de la tâche.
- « On peut mélanger les modèles. » Requête et documents doivent être encodés avec le même modèle, sinon les distances n’ont aucun sens.
- « Un embedding permet de retrouver le texte d’origine. » Ce n’est pas son but, mais des travaux publiés en 2023 montrent qu’on peut reconstituer une bonne partie du texte à partir de ses embeddings : traitez-les comme des données sensibles si vos textes le sont.
Termes voisins : recherche sémantique, base de données vectorielle, RAG, tokeniseur.
Termes liés
- Base de données vectorielle · Base de données qui stocke des embeddings et retrouve très vite ceux qui sont les plus proches d'une question, donc les plus pertinents.
- Recherche sémantique · Recherche qui retrouve des contenus par leur sens, et non par mots identiques, en comparant des représentations numériques des textes.
- RAG (génération augmentée par récupération) · Technique qui va chercher des passages dans vos documents avant de répondre, et les donne au modèle pour qu'il s'appuie dessus.
- Tokeniseur · Programme qui découpe un texte en tokens (morceaux de mots) et les convertit en nombres, seule forme qu'un modèle de langage sait lire.
- Réseau de neurones · Programme formé de nombreuses petites unités de calcul reliées entre elles, qui apprend en ajustant la force de ces liens.
À essayer
Tout le glossaire
Questions fréquentes
À quoi ressemble concrètement un embedding ?
C'est une longue liste de nombres à virgule, souvent plusieurs centaines ou milliers. Pris un par un, ces nombres n'ont pas de signification lisible : c'est la distance entre deux listes qui compte.
Les assistants comme Claude ou ChatGPT produisent-ils des embeddings ?
Les embeddings viennent de modèles spécialisés, distincts des modèles qui rédigent les réponses. OpenAI propose des modèles d'embedding dans son API ; Anthropic indique dans sa documentation ne pas proposer son propre modèle d'embedding et oriente vers des fournisseurs tiers comme Voyage AI.
Peut-on comparer des embeddings issus de deux modèles différents ?
Non. Chaque modèle d'embedding a son propre « espace » de nombres. Si vous changez de modèle, il faut recalculer les embeddings de tous vos documents.
Un embedding est-il la même chose qu'un token ?
Non. Un token est un morceau de texte découpé par le tokeniseur. Un embedding est la représentation numérique du sens, d'un token, d'une phrase ou d'un document entier.
Sources des données
Données au 22 octobre 2026
Signaler une erreur
Un chiffre, une date ou une information vous semble faux ? Dites-le-nous : chaque signalement est vérifié.