Shopify
Stripe
Slack
Notion
Google Workspace
Confluence
Embeddings
Définition
Les embeddings sont des représentations vectorielles numériques de texte (ou d'images, de code, etc.) qui capturent le sens : des contenus de sens proche se retrouvent ainsi côte à côte dans un espace de grande dimension.
Comment cela fonctionne
Un modèle d'embedding convertit un fragment de texte en une liste de nombres — un vecteur, souvent long de plusieurs centaines ou milliers de dimensions. Le modèle est entraîné pour que des textes sémantiquement proches (« réinitialiser mon mot de passe » et « j'ai oublié mes identifiants ») produisent des vecteurs voisins, tandis que des textes sans rapport se retrouvent éloignés.
On mesure cette proximité avec une métrique de similarité, comme la similarité cosinus. C'est ce qui fait des embeddings la colonne vertébrale de la recherche sémantique, du RAG et du clustering : au lieu de rapprocher des mots-clés, on compare des sens.
Pourquoi c'est important pour le support
Les embeddings sont ce qui permet à un agent IA de trouver le bon article du centre d'aide, même quand la formulation du client ne correspond pas à celle de votre documentation. Lorsque vous connectez des sources de connaissances, elles sont généralement vectorisées et stockées dans une base de données vectorielle, afin que l'agent récupère les passages les plus pertinents pour ancrer sa réponse.
Questions fréquentes
Quelle est la différence entre les embeddings et les tokens ?
Les tokens sont les petites unités de texte que lit un modèle. Un embedding est le vecteur numérique qui représente le sens d'un token, d'une expression ou d'un document. La tokenisation vient d'abord ; l'embedding transforme ensuite ces tokens en vecteurs porteurs de sens.
Pourquoi les embeddings sont-ils utilisés dans l'IA de support ?
Ils permettent à un agent de rapprocher la question d'un client des connaissances pertinentes par le sens plutôt que par les mots-clés exacts, ce qui alimente la recherche sémantique et la génération augmentée par récupération.
Termes liés
Base de données vectorielle
Une base de données vectorielle est une base conçue pour stocker et rechercher des embeddings — des vecteurs à haute dimension — par similarité, afin de retrouver rapidement le contenu dont le sens est le plus proche d'une requête..
Recherche sémantique
La recherche sémantique est une technique de recherche qui met en correspondance les contenus par le sens plutôt que par les mots-clés exacts, en utilisant des embeddings pour trouver des résultats conceptuellement proches de la requête même s'ils n'ont aucun mot en commun avec elle..
Génération augmentée par récupération (RAG)
La génération augmentée par récupération (RAG) est une technique par laquelle un modèle d'IA récupère les informations pertinentes dans vos propres sources de connaissances au moment de la requête et s'en sert pour ancrer sa réponse, au lieu de se fier uniquement à ce qu'il a mémorisé pendant l'entraînement..
Grand modèle de langage (LLM)
Un grand modèle de langage (LLM) est un réseau de neurones entraîné sur d'immenses volumes de texte pour prédire et générer du langage, ce qui lui permet de comprendre des questions, de résumer, de classer et de rédiger des réponses proches de l'écriture humaine..
Modèle Transformer
Un modèle Transformer est une architecture de réseau de neurones qui traite d'un seul coup une séquence entière de texte, en utilisant un mécanisme d'attention pour pondérer le lien entre chaque mot et tous les autres ; c'est le socle de presque tous les grands modèles de langage modernes..
Passez à l'action
Macha est une couche d'agents IA qui se pose sur le help desk que vous utilisez déjà, Zendesk, Freshdesk, Front, Intercom ou Gorgias.
Démarrer l'essai