Qu'est-ce qu'un embedding, concrètement ?

Un embedding est une liste de nombres — un vecteur — calculée à partir d'un texte de telle sorte que deux textes proches en sens obtiennent des vecteurs proches dans l'espace. « Comment choisir un CRM » et « critères de sélection d'un logiciel de gestion de la relation client » ne partagent presque aucun mot, mais leurs vecteurs sont voisins : la similarité sémantique les rapproche. La récupération moderne compare des vecteurs, pas des chaînes de caractères. Quand Google exécute son query fan-out ou que ChatGPT développe une question en sous-requêtes, chaque sous-requête est convertie en vecteur et mise en regard des vecteurs de passages indexés.

Que change la similarité vectorielle pour l'optimisation ?

  • Les synonymes et reformulations comptent. Écrire une seule formulation d'un concept limite la proximité vectorielle ; couvrir les façons variées de poser la question élargit la zone de rappel.
  • Le sens prime sur la densité de mots-clés. Répéter un terme n'approche pas le vecteur de la question ; répondre réellement à l'intention, si.
  • Le passage est l'unité. Les systèmes découpent les pages en passages avant de les vectoriser : des sections autonomes et denses en sens sont des vecteurs nets ; les paragraphes fourre-tout produisent des vecteurs flous.

Comment optimiser pour la similarité sémantique ?

  1. Cartographier l'arbre de questions du sujet : c'est l'espace vectoriel que vous devez couvrir, facette par facette.
  2. Écrire des sections autonomes : un h2 interrogatif, une réponse directe, la preuve — chaque section forme un vecteur cohérent et récupérable.
  3. Employer le vocabulaire du domaine dans ses variations naturelles : termes techniques, synonymes d'usage, formulations clients.
  4. Définir les concepts avant de les utiliser : les passages-définitions sont les plus récupérés pour les sous-requêtes « qu'est-ce que ».
  5. Mesurer la Couverture Sémantique : quelle part du jeu de 50 à 100 questions fixes trouve une réponse citable dans vos actifs — note de 0 à 100, suivie mensuellement.

Quels sont les liens avec les autres étapes du pipeline ?

Les embeddings gouvernent la récupération, première étape du pipeline (récupération → grounding → génération → citation) : ils décident quels passages arrivent à la table. Ils ne garantissent ni l'ancrage ni la citation : un passage proche vectoriellement mais factuellement contradictoire sera écarté au grounding ; un passage récupéré mais mal formulé ne sera pas cité. Pensez les embeddings comme le système de rappel d'une bibliothèque : ils amènent les livres pertinents au comptoir — ensuite, le bibliothécaire juge le contenu. Couverture sémantique et qualité factuelle sont donc complémentaires, jamais substituables.

Pièges fréquents

Le premier piège : optimiser pour des mots-clés exacts alors que la récupération est vectorielle — une page peut dominer une requête exacte et être invisible pour ses reformulations. Le deuxième : les pages « une idée par site » ultra-courtes, dont chaque vecteur est pauvre ; la profondeur sémantique d'une section complète produit un vecteur plus discriminant. Le troisième : croire que la proximité sémantique suffit — elle ne dispense ni de la structure (passages délimités), ni de la cohérence factuelle (grounding), ni des canaux techniques (indexation). Enfin, n'essayez pas de « jouer » les embeddings avec du texte artificiellement enrichi : les modèles d'embedding sont entraînés sur du langage naturel ; l'écriture claire pour humains est la meilleure optimisation vectorielle. Voir le query fan-out et le grounding.

Questions fréquentes

Les embeddings remplacent-ils les mots-clés ?
Ils les complètent et les déplacent : la correspondance exacte de termes reste un signal, mais la similarité vectorielle récupère aussi les passages qui répondent à l'intention sans partager les mots de la requête. La cible devient la couverture sémantique du sujet.
Puis-je tester la similarité entre ma page et une question ?
Oui : des outils d'embedding calculent la distance cosinus entre le vecteur de votre passage et celui de la question. Utile en diagnostic, mais le test décisif reste empirique — le moteur cite-t-il votre passage quand on pose la question ?
La longueur d'un passage influence-t-elle son embedding ?
Oui. Un passage trop court produit un vecteur pauvre ; un passage trop long et hétérogène produit un vecteur moyen, flou. Les sections autonomes de 40 à 150 mots centrées sur une idée donnent les vecteurs les plus nets.