---
title: "Qu'est-ce qu'un embedding ?"
description: "Un embedding transforme du texte, du code ou des images en un vecteur de nombres qui capture le sens, pour qu'une machine mesure à quel point deux choses sont similaires."
type: "glossary"
locale: "fr"
term: "Embedding"
canonical: "https://agenticschool.dev/fr/glossaire/embedding"
dateModified: "2026-07-07"
---

# Qu'est-ce qu'un embedding ?

- Definition: Embedding
- Updated: 2026-07-07
- Keywords: embedding, what is an embedding, embeddings meaning, text embeddings, vector embedding
- Canonical URL: https://agenticschool.dev/fr/glossaire/embedding
- Locale: fr

> Un embedding transforme du texte, du code ou des images en un vecteur de nombres qui capture le sens, pour qu'une machine mesure à quel point deux choses sont similaires.

Un embedding est une façon de transformer un morceau de contenu - un mot, une phrase, une image, un extrait de code - en une liste de nombres (un vecteur) qui capture son sens, pour qu'un ordinateur compare des sens mathématiquement. Des contenus au sens proche reçoivent des vecteurs proches les uns des autres, des contenus sans rapport atterrissent loin. C'est toute l'astuce : dès que le sens est un ensemble de coordonnées, "trouve le passage le plus pertinent" devient "trouve les vecteurs les plus proches", ce qu'une machine fait instantanément sur des millions d'entrées. Les embeddings sont le moteur silencieux derrière la recherche sémantique, les recommandations, le clustering et surtout le Retrieval-Augmented Generation (RAG).

## Comment un embedding capture le sens

Un modèle d'embedding lit votre entrée et produit un vecteur de longueur fixe, souvent quelques centaines à quelques milliers de nombres. Il a été entraîné pour que des entrées dans un contexte similaire obtiennent des vecteurs similaires, pour que "voiture" et "automobile" atterrissent proches, mais pas "voiture" et "banane". Vous ne lisez jamais les nombres vous-même, vous les comparez.

- Entrée : n'importe quel texte, image ou code que vous voulez rendre cherchable par sens.
- Sortie : un vecteur - une liste de nombres de longueur fixe - qui représente ce sens.
- Comparaison : la proximité de deux vecteurs (similarité cosinus) montre à quel point les entrées sont liées.

## Embeddings et RAG

Les embeddings sont ce qui rend le RAG possible. Vous embeddez chaque section de vos documents une fois et stockez les vecteurs dans une base de données vectorielle. Au moment de la requête, vous embeddez la question de l'utilisateur avec le même modèle, trouvez les vecteurs de section les plus proches et donnez ces sections au modèle de langage comme contexte. Parce que le hit passe par le sens et non par les mots-clés exacts, même une question formulée autrement trouve le bon passage.

## Où les embeddings sont utilisés

Au-delà du RAG, les embeddings alimentent la recherche sémantique (triée par sens, pas par mots-clés), les recommandations ("plus comme ceci"), la déduplication, le clustering et la classification. Pour les builders, le point pratique est celui-ci : une seule étape d'embedding transforme un contenu humain non structuré en quelque chose que vous pouvez chercher, grouper et traiter de façon fiable. C'est pourquoi presque toute fonction d'IA qui touche vos propres données commence par les embedder.

## FAQ

### Qu'est-ce qu'un embedding expliqué simplement ?

Un embedding est une liste de nombres qui représente le sens d'un contenu. Des sens similaires reçoivent des nombres similaires, pour qu'un ordinateur mesure, rien qu'en comparant les vecteurs, à quel point deux textes, images ou extraits de code sont liés.

### Quelle est la différence entre embedding et vecteur ?

Un vecteur est simplement la liste de nombres. Un embedding est un vecteur qu'un modèle a produit exprès pour capturer le sens, pour que la distance entre vecteurs reflète la similarité sémantique. Tout embedding est un vecteur, mais tout vecteur n'est pas un embedding.

### Comment les embeddings sont-ils liés au RAG ?

Le RAG utilise les embeddings pour trouver le contexte pertinent. Vos documents sont embeddés et stockés, la question est embeddée au moment de la requête, et les sections les plus proches sont ramenées dans le prompt. Sans embeddings, la recherche retombe sur un fragile appariement de mots-clés.

### Les embeddings ont-ils besoin d'une base de données vectorielle ?

Pour une poignée d'entrées, vous pouvez comparer les vecteurs en mémoire. À partir de milliers ou de millions, une base de données vectorielle stocke les embeddings et trouve les plus proches rapidement, c'est pourquoi bases vectorielles et embeddings vont presque toujours de pair en production.