Un embedding est une représentation d'un contenu (texte, image, son) sous forme de vecteur, une liste de plusieurs centaines ou milliers de nombres, calculée par un modèle de façon à ce que des contenus de sens proche obtiennent des vecteurs proches.
Concrètement, « contrat de travail » et « CDI » auront des vecteurs voisins même s'ils ne partagent aucun mot. On mesure cette proximité par un calcul de distance entre vecteurs, ce qui permet de chercher par le sens plutôt que par mots-clés.
Les embeddings servent à la recherche sémantique, à la recommandation, au regroupement de documents, à la détection de doublons et surtout au RAG : on y retrouve les passages d'une base documentaire les plus pertinents pour une question avant de les transmettre au LLM.
Ils sont produits par des modèles spécialisés, proposés par les fournisseurs d'IA ou disponibles en open source, et stockés dans des bases vectorielles (Qdrant, Weaviate, Pinecone, pgvector pour PostgreSQL…).
Pourquoi ça compte quand on recrute
Brancher une API d'embeddings est simple. Le vrai niveau se voit dans la qualité de la recherche : choix du modèle selon la langue et le domaine, découpage des documents, recherche hybride avec mots-clés, et surtout mesure de la pertinence sur un jeu de test. En entretien, un AI Engineer solide explique comment il a évalué et amélioré sa recherche, chiffres internes à l'appui.