Embeddings et bases vectorielles : le guide technique

Un embedding, ou plongement, transforme un texte en une liste de nombres qui représente son sens ; deux textes proches par le sens donnent des listes proches (voir la définition courte du lexique Cercle IA). Mettre des plongements en production, c'est prendre une série de décisions techniques : quel modèle, combien de dimensions, quelle base, quel index, quel budget, quelles précautions pour les données. Ce site les traite une par une, d'après la documentation des éditeurs.

La chaîne en cinq décisions

Trois règles qui évitent les mauvaises surprises

1. Un seul modèle par index. La documentation d'Ollama le dit sans détour : « utilisez le même modèle de plongements pour l'indexation et pour l'interrogation ». Changer de modèle, c'est en principe recalculer tous les vecteurs. Voyage AI fait exception pour sa propre gamme : sa documentation indique que tous les plongements de la série 4 sont compatibles entre eux. Voir Changer de modèle d'embedding.

2. La taille se paie à chaque ligne. Dans pgvector, un vecteur occupe 4 × dimensions + 8 octets. Un vecteur de 1 024 dimensions pèse donc 4 104 octets, un de 3 072 dimensions 12 296 octets, avant même l'index. D'où l'intérêt des modèles qui acceptent des vecteurs plus courts.

3. Un classement public n'est pas votre corpus. Le banc d'essai MTEB (Massive Text Embedding Benchmark), qui sert de référence aux classements de modèles, a été publié avec ce constat : aucune méthode de plongements ne domine sur toutes les tâches (Muennighoff et al., 2022). Lisez-le pour présélectionner, puis testez sur vos propres questions. Voir Classement MTEB.

Plongements, RAG et recherche sémantique

Les plongements servent à deux grands usages en entreprise :

• La recherche sémantique seule : un moteur de recherche interne qui retrouve un document par le sens de la question, sans faire rédiger de réponse. Voir Recherche sémantique sur un site ou un intranet.
• Le RAG (génération augmentée par récupération) : la recherche alimente un modèle de langage qui rédige la réponse. La chaîne complète (découpage, recherche hybride, retri, évaluation) est traitée sur Cercle IA Tech · RAG.

Ce site-ci s'arrête à la couche des vecteurs : le modèle, sa sortie, le stockage et l'index.

Le coût et les données

Deux questions arrivent vite dans un projet :

• Combien ça coûte ? Les plongements se paient au jeton à l'indexation, puis le stockage et la mémoire de l'index se paient en continu. Voir Coût des embeddings.
• Que deviennent les données ? Un vecteur n'est pas un texte chiffré : des chercheurs ont montré qu'on peut reconstituer une grande partie d'un texte à partir de son plongement. Voir Embeddings et données personnelles.

Qui édite ce site

Cercle IA Tech est édité par IArche, architecte IA à Bayonne, qui édite aussi ALMA, la plateforme IA pour PME d'IArche. Les modèles et les bases cités ici sont décrits d'après leur documentation, lue le 15/11/2026 et citée en tête de chaque page ; aucun n'est classé. Quand une documentation change, la page doit suivre, et sa date de mise à jour l'indique.