gensai.aiUn embedding est la représentation numérique d'un contenu (mot, phrase, document, image) sous forme de vecteur qui capture son sens : deux contenus sémantiquement proches ont des vecteurs proches. C'est le pont entre le langage et le calcul, à la base de la recherche sémantique et du RAG.
En pratique chez Gensai
Gensai vectorise les documents de ses clients pour permettre la recherche par le sens dans ses moteurs de réponses.
Comment bien choisir ses embeddings ?
En testant plusieurs modèles sur ses propres documents et ses vraies questions, dans la langue des utilisateurs : un modèle performant en anglais ne l'est pas forcément en français. Le découpage des documents, la taille des vecteurs et le coût de calcul comptent autant que le modèle lui-même. Des modèles ouverts permettent de tout garder en interne.
Erreur fréquente
Changer de modèle d'embedding sans tout recalculer. Les vecteurs de deux modèles différents ne sont pas comparables : un changement de modèle impose de revectoriser l'ensemble de la base.
Dans le même thème
Définition rédigée avec l'assistance de l'IA, vérifiée par Sébastien Lecocq, co-fondateur de Gensai.
Aller plus loin que la définition ?
Passer du concept au projet : Gensai conçoit des solutions IA sur mesure, souveraines et conformes au RGPD.
Services associés : Chatbots et moteurs de réponses