Embeddings
Des vecteurs qui représentent le sens. Ils alimentent la recherche sémantique et le RAG. Votre page devient un point dans l'espace.
Des pages qui ne mentionnent jamais de synonymes peuvent tout de même être récupérées si l'embedding est bon — ou manquées si le chunk est flou.
Les chiffres uniques et les noms propres créent des vecteurs distinctifs. Le texte creux se rapproche de la moyenne.
Exemples
- Les « guides ultimes » de deux concurrents s'embeddent presque l'un sur l'autre. Une page avec un jeu de données original se situe ailleurs et est récupérée pour cette requête.
Termes associés
RAG signifie que le modèle consulte des documents au moment de la réponse au lieu de s'appuyer uniquement sur ce qu'il a mémorisé lors de l'entraînement.
Combinaison de la recherche par mots-clés (BM25) et de la récupération vectorielle. De nombreuses piles RAG le font. Vos noms et votre signification comptent tous les deux.
Trouver les voisins les plus proches dans l'espace d'embeddings. Cœur de RAG. Les pages floues se regroupent et perdent.
FAQ
Puis-je voir mon embedding ? +
Pas chez Google. Vous pouvez embedder votre propre corpus en interne pour tester la récupération. C'est une astuce de QA de contenu.
Suivre cela dans Reddex
Threads Reddit et réponses IA pour votre marque au même endroit. Commencez par une analyse gratuite.
Commencer