Initial vault setup

2026-06-09 18:40:21 +02:00
commit bda02d587f
3692 changed files with 402457 additions and 0 deletions
@@ -0,0 +1,43 @@
+---
+title: Embeddings
+created: 2026-06-06
+updated: 2026-06-06
+type: concept
+tags: [IA, ML, data]
+confidence: high
+contested: false
+sources: [synthesized]
+---
+# 🌌 Embeddings
+
+## Définition Courte
+Représentation **vectorielle dense** d'une donnée (texte, image, audio) dans un espace de grande dimension (ex: 768, 1024, 4096) où la **proximité géométrique** reflète la **proximité sémantique**.
+
+## Explication Détaillée
+Un embedding transforme "Le chat dort" en un vecteur `[0.12, -0.45, 0.78, ...]`. Deux phrases de sens proche auront des vecteurs proches (cosine similarity élevée).
+
+Modèles populaires :
+- **OpenAI** : `text-embedding-3-small/large`.
+- **Cohere** : `embed-english-v3.0`.
+- **Hugging Face** : BGE, E5, Nomic Embed (open-weights).
+
+**Cas d'usage** : recherche sémantique, RAG, classification, recommandation, détection d'anomalies.
+
+## Cas d'Usage
+- Base de connaissances RAG.
+- Recherche de doublons.
+- Clustering de documents.
+- Recommandation de produits.
+
+## Outils Liés
+- **Bases vectorielles** : Qdrant, Chroma, Weaviate, Pinecone, pgvector (Postgres).
+- **Modèles** : OpenAI, Cohere, BGE, Nomic.
+
+## Pages Liées
+- [[rag]]
+- [[glossaire-ia]]
+- [[comparatif-stockage]]
+
+## Questions Ouvertes
+- Quelle dimension d'embedding choisir (trade-off mémoire vs précision) ?
+- Les embeddings vont-ils être remplacés par des modèles plus unifiés ?