Embeddings : c'est quoi exactement, et comment faire une recherche sémantique ?

Question

On me dit que la recherche par mots-clés ne trouve pas « voiture » quand on cherche « automobile », mais que les embeddings règlent ça. Comment ça marche concrètement ?

Accepted Answer

Un **embedding** est un vecteur de nombres (par ex. 1 024 dimensions) produit par un modèle, tel que des textes **de sens proche** ont des vecteurs **proches**. « voiture » et « automobile » se retrouvent voisins, même sans mot en commun. Et avec un modèle multilingue, « how to center a div » est proche de « kijan pou m santre yon div » !

Mise en œuvre avec PostgreSQL + **pgvector** :

```sql
CREATE EXTENSION vector;
ALTER TABLE documents ADD COLUMN embedding vector(1024);
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- recherche : les 10 plus proches de la requête
SELECT id, titre
FROM documents
ORDER BY embedding <=> $1   -- $1 = embedding de la question
LIMIT 10;
```

1. À l'écriture : calcule l'embedding du document (API d'un fournisseur comme Voyage AI, ou un modèle open source) et stocke-le.
2. À la recherche : calcule l'embedding de la requête, puis cherche les plus proches voisins.

En pratique, la **recherche hybride** (plein texte + vecteurs, fusionnés) donne les meilleurs résultats : les mots-clés restent imbattables pour les noms exacts et les codes d'erreur.

1 réponse