En clair
Un technicien tape « la machine fait un bruit de claquement au démarrage ». La documentation interne parle de « choc mécanique à la mise en route ». Une recherche par mots-clés ne trouve rien. Une recherche par embeddings trouve la bonne fiche, parce que les deux phrases ont un sens proche.
Comment ça marche
Transformer le sens en coordonnées
Un modèle d'embedding lit un passage et le convertit en une longue liste de nombres. On peut se représenter chaque passage comme un point dans un espace : les textes qui parlent de la même chose sont proches, les autres éloignés.
Comparer par la distance
Pour trouver les passages utiles, on calcule l'embedding de la question et on cherche les points les plus proches. Une base de données vectorielle fait ce calcul très vite, même sur un grand volume de documents.
Au service du RAG
Le RAG, ou génération augmentée par récupération, utilise les embeddings pour sélectionner les extraits de vos documents à transmettre au modèle de langage avant qu'il réponde.
