Bases vectorielles et embeddings

Séquence 1 — Ce qu'est un embedding

• Du texte à un vecteur : une représentation apprise, pas un encodage
• Ce qu'il capture : proximité de sens, contexte d'emploi
• Ce qu'il ne capture pas : la négation, les chiffres exacts, les références
• Pourquoi deux modèles différents produisent des espaces incomparables

Séquence 2 — Choisir son modèle

• Langue : les modèles multilingues et leur coût en précision
• Longueur maximale : ce qui se passe au-delà, et pourquoi la troncature est silencieuse
• Dimension du vecteur : effet sur la mémoire et sur la latence
• Modèle hébergé ou modèle auto-hébergé : ce que chaque choix implique pour les données

Séquence 3 — La base vectorielle en pratique

• Collection, dimension, mesure de distance : les trois décisions initiales
• Insertion par lots et identifiants stables : pourquoi ils comptent à la réindexation
• Métadonnées et filtrage : restreindre le champ avant de chercher
• Mise à jour et suppression : le piège de l'index qui garde l'ancien vecteur

Séquence 4 — Index et compromis

• Recherche exacte contre recherche approchée : quand l'approximation est légitime
• Les familles d'index et le réglage qui gouverne le rappel
• Mesurer le rappel réel sur un jeu de questions de référence
• Latence, mémoire, coût : le triangle qu'on ne peut pas optimiser partout

Séquence 5 — Diagnostiquer une recherche décevante

• Les cinq causes ordinaires : découpage, modèle inadapté, troncature, absence de filtre, index trop approché
• La méthode : isoler une question qui échoue et remonter l'étage fautif
• Quand la réponse est ailleurs : il faut de la recherche lexicale, pas un meilleur vecteur
• Constituer un jeu de non-régression et le rejouer à chaque changement