Embeddings et recherche sémantique expliqués aux PM
Un embedding est une liste de nombres, un vecteur, qui encode la signification d'un texte ou d'une image, de sorte que deux éléments de sens voisin obtiennent des vecteurs proches. La recherche sémantique convertit la requête en embedding et renvoie les passages stockés dont les vecteurs sont les plus proches, souvent selon la similarité cosinus. Elle trouve la page « mettre fin à votre formule » quand l'utilisateur a tapé « résilier mon abonnement ».
Définition rédigée par Alex Dionisio, Senior Product Manager. Mis à jour le 13 novembre 2026.
Pourquoi c’est important pour un PM
Les embeddings font tourner les assistants RAG, les recommandations d'éléments similaires, la détection de tickets en double et les barres de recherche qui comprennent l'intention. Le PM peut se passer des mathématiques, mais doit comprendre ce qui fait la pertinence : le découpage des documents, le modèle d'embedding, le filtrage et le classement des résultats, et la mesure de la qualité de recherche sur de vraies requêtes.
Exemple
Dans un wiki interne, une salariée cherche « congé parental ». La recherche par mots-clés ne trouve rien, car la page s'intitule « Politique famille ». La recherche sémantique la place en tête, les deux formulations ayant des embeddings proches, et un filtre limite les résultats aux pages de son pays.
Comment fonctionne un embedding ?
Un modèle d'embedding reçoit un texte, une image ou un autre contenu et renvoie une liste de nombres, souvent quelques centaines ou quelques milliers. Ces nombres situent le contenu dans un espace où la distance a un sens : deux textes qui traitent du même sujet, même avec des mots différents, se retrouvent proches. La proximité se calcule le plus souvent par similarité cosinus.
Le modèle a appris ces positions à partir d'énormes quantités de paires de textes liés, par exemple une question et sa réponse. Il reflète donc les usages les plus courants de son corpus d'entraînement : un jargon métier pointu ou une langue peu représentée peuvent être moins bien placés, d'où l'intérêt de tester sur vos propres contenus.
Recherche par mots-clés, sémantique ou hybride : que choisir ?
La recherche par mots-clés excelle sur les termes exacts : un numéro de commande, un code d'erreur, un nom de produit. La recherche sémantique saisit les reformulations et les synonymes, mais peut confondre deux notions voisines. Dans la plupart des produits, combiner les deux donne les meilleurs résultats.
Le choix dépend des requêtes réelles. Avant de trancher, exportez quelques centaines de recherches de vos utilisateurs et observez leur forme : des références précises plaident pour les mots-clés, des questions en langage courant pour la sémantique.
Comment évaluer une recherche par embeddings ?
Réunissez des requêtes réelles et indiquez pour chacune les documents qui devraient sortir. Mesurez ensuite la part des requêtes pour lesquelles un bon document figure dans les premiers résultats, et la position du premier bon document. Comparez plusieurs modèles d'embedding et plusieurs tailles de découpage sur ce même jeu : les écarts sont souvent plus grands qu'on ne l'imagine.
Pensez aussi au cycle de vie de l'index : chaque document publié doit être vectorisé rapidement, et chaque document supprimé, ou dont les droits changent, doit disparaître des résultats. Un index en retard sur la source sert des réponses périmées alors que la page a déjà été corrigée.
À quoi servent-ils au-delà de la recherche ?
La même représentation permet de regrouper automatiquement des retours clients par thème, de repérer des doublons, de recommander des contenus proches de ceux qu'un utilisateur a consultés ou de signaler un message inhabituel. Côté produit, il s'agit d'un outil d'analyse à part entière : classer des milliers de verbatims par similarité donne une première carte des sujets, à relire ensuite d'un œil humain. Les mêmes vecteurs aident enfin à repérer un contenu en double avant sa publication, utile dans un centre d'aide où plusieurs auteurs écrivent sur des sujets voisins.
Points clés
- Les vecteurs sont rangés dans une base ou un index vectoriel, généralement avec des métadonnées qui permettent de filtrer.
- La recherche sémantique peut rater des termes exacts comme une référence produit ou un nom propre ; la recherche hybride ajoute une correspondance par mots-clés, par exemple BM25.
- Une étape de reranking peut réordonner les premiers résultats avec un modèle plus précis.
- Changer de modèle d'embedding oblige à recalculer les vecteurs de tout le corpus.
Erreurs fréquentes
- Renvoyer les résultats les plus proches même quand aucun n'est pertinent, au lieu d'appliquer un seuil.
- Découper les documents en morceaux trop petits pour porter du sens, ou trop gros pour être précis.
- Croire que les droits d'accès sont respectés parce que la recherche est rapide et précise.
Pour aller plus loin dans Module
Les formations et les leçons qui traitent cette notion :
Guide sur ce thème
- RAG ou fine-tuning : comment choisir
Ce que règle chaque approche, les critères de choix et comment évaluer, avec une grille de décision.