Les embeddings : comment l’IA retrouve le bon passage dans vos documents

Vous cherchez « combien de jours puis-je travailler depuis chez moi ? », mais votre document parle de « modalités de télétravail ». Une recherche sur les mots exacts peut passer à côté. Les embeddings ajoutent une autre manière de retrouver l’information : rapprocher les passages dont le sens est voisin.

Une empreinte numérique du sens

Un modèle d’embedding transforme un texte en vecteur, une liste de nombres. Ces nombres ne sont pas un résumé lisible. Ils permettent de calculer une proximité entre une question et des passages représentés par le même modèle.

Deux formulations différentes peuvent ainsi se retrouver proches dans cet espace. Cela ne signifie pas que le système comprend tout parfaitement : une ressemblance sémantique peut être trompeuse, notamment lorsqu’une négation ou une date change le sens d’une règle.

Embedding et LLM : deux métiers complémentaires

Le modèle d’embedding aide à retrouver les passages. Le modèle de conversation aide à rédiger une réponse à partir du contexte fourni. Confondre les deux conduit à de mauvaises attentes : un modèle d’embedding n’est pas un chatbot.

Dans un RAG, le parcours consiste à extraire le texte, le découper, calculer les vecteurs, rechercher les fragments pertinents puis les fournir au modèle de réponse. Le modèle ne doit pas recevoir toute la bibliothèque pour chaque question.

Ce que fait Docs dans POP Switcher

Le rôle Docs utilise une bibliothèque documentaire privée. Un modèle local tel que BGE-M3 prépare les représentations des passages. La recherche combine des signaux textuels et vectoriels pour retrouver les éléments utiles. Un modèle texte distinct, par exemple Gemma ou Qwen, rédige ensuite la réponse.

Les passages conservent leurs références de document et, lorsque disponibles, de page. Vous pouvez donc revenir au texte d’origine au lieu de vous fier seulement à une réponse convaincante. Pour commencer, suivez le guide Docs et RAG.

Pourquoi garder aussi une recherche par mots ?

Les embeddings aident à reconnaître des formulations voisines. La recherche lexicale reste précieuse pour une référence exacte, un nom de produit ou un identifiant. Les deux approches se complètent : chercher « contrat ABC-204 » ne demande pas le même travail que chercher « la clause qui permet de mettre fin au contrat ».

Dans POP, la mémoire persistante peut aussi exploiter le rappel sémantique, avec des périmètres distincts de ceux de la bibliothèque Docs. Retrouver une préférence utilisateur et retrouver une page de PDF ne revient pas à mélanger toutes les données dans un seul souvenir.

Trois réflexes pour des résultats plus utiles

• Préparez des documents dont le texte est extractible ; une page scannée peut demander de l’OCR.
• Vérifiez les citations, les dates et les exceptions avant d’appliquer une réponse.
• Si vous changez de modèle d’embedding, adaptez l’index : les vecteurs de deux modèles ne sont pas automatiquement comparables.

Un embedding n’est pas un chiffrement ni un entraînement du LLM sur vos fichiers. Son intérêt dans POP est de rendre vos informations retrouvables localement, puis de vous aider à construire une réponse que vous pouvez contrôler.