Qu'est-ce qu'un embedding ?

Un embedding est un vecteur numérique qui représente un élément comme un mot, une phrase, une image, un produit ou un utilisateur dans un espace à haute dimension. Les éléments de sens ou de propriétés similaires se retrouvent proches les uns des autres dans cet espace, ce qui fait des embeddings la structure de données fondamentale pour la recherche sémantique, la recommandation et la retrieval-augmented generation.

Définition

Les embeddings sont produits par des réseaux de neurones entraînés à mapper des entrées vers des vecteurs d'une manière qui préserve les relations sémantiques. Un embedding de produit peut encoder implicitement le style, la catégorie, la gamme de prix et la démographie client, sans ingénierie de caractéristiques explicite. Les modèles d'embedding modernes gèrent plusieurs modalités, de sorte que le même espace vectoriel peut représenter des descriptions textuelles, des images de produits et des comportements utilisateurs.

Pourquoi c'est important

Les embeddings transforment des concepts flous comme la similarité, la parenté ou l'intention en opérations que les bases de données peuvent exécuter efficacement. Comparer deux éléments revient à calculer la distance entre leurs vecteurs. Cela permet de faire remonter des produits pertinents à partir d'une requête vague, de regrouper des articles similaires pour le merchandising ou de détecter des annonces en double à l'échelle du catalogue.

Cas d'usage

Dans le commerce, les embeddings alimentent la recherche sémantique, les audiences similaires, la mise en correspondance contenu-produit pour les pages éditoriales, la recherche par image et l'étape de récupération dans les pipelines RAG. Ils soutiennent aussi la personnalisation en plaçant à la fois les utilisateurs et les produits dans des espaces compatibles, de sorte que le prochain meilleur article peut être sélectionné par une recherche vectorielle plutôt que par une règle écrite à la main.

Ressources associées

Explorez Agentic Frontend Management Platform · Personalization.