Glossaire

Vecteur d'embedding

Qu’est-ce que Vecteur d'embedding ?

Un vecteur d'embedding (plongement) est une liste de nombres qui représente le sens d'un mot, d'une phrase ou d'un document de sorte que des textes au contenu proche se retrouvent voisins. On peut ainsi reconnaître que « résiliation » et « mettre fin au contrat » sont liés, alors qu'ils n'ont aucun mot en commun. Ils sont à la base de nombreux systèmes de recherche sémantique, de recommandation et d'applications RAG, et sont calculés par des modèles entraînés à cet effet.

Ce que fait KI.ordo

Pour la recherche dans les connaissances, KI.ordo n'utilise pas d'embeddings mais la recherche par mots-clés BM25, directement sur le serveur.

Thèmes

vecteur
recherche sémantique
TAL

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Plongements lexicaux (word embeddings)

Les plongements lexicaux représentent les mots sous forme de vecteurs numériques, de sorte que des mots de sens voisin soient proches dans l'espace vectoriel, comme « voiture » et « véhicule ». Des méthodes comme Word2Vec ou GloVe apprennent ces vecteurs à partir de grandes quantités de texte. Ils ont marqué une étape importante du traitement du langage, notamment pour la recherche ou la classification ; les modèles de langage actuels utilisent des plongements contextuels, où un mot est représenté différemment selon la phrase.

NLP
Vecteurs
+1

Génération augmentée par récupération (RAG)

La génération augmentée par récupération associe recherche et génération de texte : avant de répondre, le système cherche dans une base de connaissances (manuels, directives, FAQ…) les passages pertinents et les transmet au modèle de langage comme contexte. La réponse s'appuie ainsi sur des contenus actuels propres à l'entreprise, et pas seulement sur les connaissances d'entraînement du modèle. Cela réduit les affirmations inventées, rend les sources traçables et permet des mises à jour sans nouvel entraînement.

RAG
recherche documentaire
+1

Recherche d'information

La recherche d'information regroupe les méthodes qui retrouvent, dans de grands ensembles de textes, les documents ou passages correspondant à une requête et les classent par pertinence. Des approches classiques comme BM25 pondèrent les termes selon leur fréquence et leur rareté ; les plus récentes ajoutent la similarité sémantique. Elle est à la base des moteurs de recherche, de la recherche en entreprise et de la génération augmentée par récupération (RAG), où un modèle de langage s'appuie sur les passages trouvés pour répondre.

Recherche
BM25
+1

Transformer

Le Transformer est une architecture de réseau de neurones présentée en 2017 dans l'article de recherche « Attention Is All You Need ». Son cœur est le mécanisme d'attention : chaque mot est pondéré par rapport à tous les autres mots du texte, et le calcul se parallélise efficacement. Les Transformers sont à la base des modèles de langage actuels comme GPT, Claude ou BERT et servent aussi pour l'image et l'audio.

Architecture
Deep learning
+1