Retrouvez les définitions clés pour cadrer un projet IA en PME et relier facilement les notions entre elles.
Définition
La vectorisation transforme un contenu (phrase, paragraphe, document) en un vecteur d'embedding, c'est-à-dire une liste de nombres qui capture son sens. Ces vecteurs sont ensuite stockés dans une base vectorielle pour permettre la recherche par similarité.
À retenir
Vectoriser un document, c'est le traduire en chiffres pour qu'une machine puisse comparer son sens à d'autres.
Erreur fréquente
Vectoriser des documents mal découpés ou bruités : la recherche sémantique en pâtit directement.
À quoi cela sert
- Préparer un corpus pour la recherche sémantique et le RAG.
- Comparer des contenus par le sens plutôt que par les mots exacts.
- Constituer la mémoire d'un assistant IA.
Exemple concret
Lors de l'ingestion d'archives, chaque bloc de texte est vectorisé via un modèle d'embedding puis stocké dans Qdrant, prêt à être retrouvé au moment d'une question.
Bonnes pratiques
- Utiliser un modèle d'embedding adapté à la langue du corpus.
- Nettoyer et segmenter les textes avant vectorisation.
- Conserver le lien entre chaque vecteur et sa source d'origine.
Pourquoi ce terme compte
Comprendre cette notion aide à mieux cadrer un outil IA, à poser les bonnes questions à un éditeur ou à un prestataire, et à distinguer les promesses marketing des usages réellement utiles pour une PME.
Revenez au sommaire du lexique IA ou poursuivez avec les autres ressources du site.
Pages utiles pour passer de la notion à l'action
Ces notions IA prennent leur valeur quand elles sont reliées à des usages métier concrets, à la gouvernance et à l'intégration dans les outils déjà utilisés en PME.