Le vocabulaire de l'IA
Embedding : comment un texte devient-il un point dans l'espace ?
Un embedding transforme un texte en une suite de nombres qui représente son sens. Deux textes de sens proche produisent des suites proches, même s'ils n'emploient aucun mot commun. C'est ce mécanisme qui permet à un système de retrouver un passage pertinent sans que vous ayez employé les bons mots-clés.
L'idée en une image
Imaginez que chaque texte reçoive des coordonnées, comme un point sur une carte. Des textes qui parlent de la même chose se retrouvent voisins ; des textes sans rapport se retrouvent éloignés.
La carte a beaucoup plus de deux dimensions — plusieurs centaines, souvent — mais le principe reste celui-là : chercher devient mesurer une distance.
Le mot n'a pas de traduction française consacrée. On rencontre « plongement lexical » dans la littérature universitaire, à peu près jamais dans la pratique.
Ce que ça change par rapport à une recherche classique
Une recherche par mots-clés cherche des occurrences : si vous tapez « résiliation », elle trouve les documents contenant ce mot et manque ceux qui parlent de « rupture anticipée » ou de « fin du contrat ».
Une recherche par embeddings cherche du sens. Elle retrouve les trois formulations, parce qu'elles occupent des positions voisines sur la carte.
C'est ce qui rend possible d'interroger un fonds documentaire en langage naturel, sans connaître le vocabulaire exact employé par celui qui a rédigé.
Un exemple juridique
Vous cherchez, dans un fonds de contrats, ceux qui limitent la responsabilité du prestataire. Les rédactions varient : plafond exprimé en mois de redevances, en pourcentage du prix, par exclusion de certains préjudices, ou par renvoi à un montant en annexe.
Une recherche par mots-clés vous oblige à imaginer toutes ces formulations et à les chercher une par une. Une recherche par embeddings les rapproche d'elles-mêmes, parce qu'elles occupent une zone commune de la carte.
C'est le cas où le mécanisme donne son plein effet : un même objet juridique dit de quatre manières différentes.
Ce que ça ne résout pas
La proximité de sens n'est pas la pertinence juridique. Deux clauses de non-concurrence sont très proches sur la carte, y compris quand l'une est valable et l'autre nulle ; la distinction qui vous intéresse ne s'y voit pas.
La négation se représente mal. « Le locataire est tenu de » et « le locataire n'est pas tenu de » occupent des positions très voisines alors qu'elles disent le contraire. C'est une limite connue et elle a des conséquences directes en matière contractuelle.
Et la découpe des textes pèse lourd. Pour être transformés en points, les documents sont fractionnés ; une clause dont la portée dépend d'une définition située 40 pages plus loin sera représentée sans elle.
Un dernier point technique a des conséquences pratiques : les embeddings sont calculés par un modèle particulier, distinct de celui qui rédige les réponses. Changer ce modèle oblige à tout recalculer sur l'ensemble du fonds documentaire, ce qui est une opération lourde et rarement anticipée au moment du choix initial.
Pourquoi ça compte pour un juriste
Parce que c'est le mécanisme qui décide de ce que le système voit avant de répondre, et que ses limites expliquent une bonne part des réponses décevantes. Quand un résultat passe à côté du sujet, la cause est plus souvent là que dans le modèle.
La question utile porte donc sur ce qui se passe quand la recherche échoue : le système signale-t-il qu'il n'a rien trouvé de pertinent, ou répond-il quand même avec ce qu'il a de moins mauvais ?