Fiche concept

Embeddings (plongements vectoriels)

À jour au 2026-09-27

Édité par Cédric Mary, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Embeddings (plongements vectoriels) ?

Les embeddings de phrases font fonctionner le RAG en associant le sens, pas la syntaxe — mais l'arbitrage est net : modèle large (3 072d, 0,13 $/M) vs petit (1 536d, 0,02 $/M) vs modèle local 384d, et mélanger des modèles dans un même index casse silencieusement la récupération.

De quoi il s'agit

Un embedding est un vecteur dense à valeurs réelles qui encode le contenu sémantique d'un token, d'une phrase ou d'un document dans un espace de grande dimension, de sorte que les entrées sémantiquement similaires se regroupent géométriquement. Les embeddings constituent le pont entre le texte discret et les mathématiques continues des réseaux de neurones.

Le problème qu'ils résolvent est l'incapacité de la recherche par correspondance exacte à trouver « chiffre d'affaires net » quand l'utilisateur demande « revenu total » — les embeddings encodent le sens, pas la syntaxe, permettant une récupération sémantique à grande échelle.

Trois générations ont dominé : les embeddings de mots statiques (Word2Vec, Mikolov 2013; GloVe) attribuent un vecteur par mot indépendamment du contexte; les embeddings contextuels (BERT, GPT) produisent un vecteur différent pour chaque token selon le contexte environnant; les embeddings de phrases moyennent ou agrègent les représentations contextuelles en un vecteur de document unique. Les systèmes RAG modernes utilisent des embeddings de phrases. Le modèle text-embedding-3-large d'OpenAI produit des vecteurs à 3 072 dimensions à 0,13 $/M tokens; text-embedding-3-small produit des vecteurs à 1 536 dimensions à 0,02 $/M. Le Matryoshka Representation Learning (MRL, Kusupati 2022) entraîne les embeddings de sorte que les k premières dimensions d'un vecteur à 3 072 dimensions constituent un embedding utilisable à 256 dimensions — permettant une compression de stockage avec seulement ~5 % de dégradation du NDCG@10. Le moteur vectoriel de SAP HANA Cloud stocke nativement des vecteurs cosinus à 1 536 dimensions et renvoie les top-k résultats en moins de 10 ms pour 1 million de documents.

Pourquoi c'est important

Le Matryoshka Representation Learning compresse un vecteur de 3 072d vers un 256d utilisable avec seulement ~5 % de perte NDCG@10 — un levier concret de coût de stockage.
Le moteur vectoriel de SAP HANA Cloud renvoie les résultats top-k en moins de 10 ms pour 1 million de documents en 1 536d cosinus natif — une référence de performance réelle à citer.
L'incompatibilité de modèles dans un index est une erreur évitable : des embeddings de modèles différents occupent des espaces vectoriels incompatibles.

Points clés

Les sentence embeddings (et non les word embeddings) sont l'unité correcte pour le RAG sur des documents SAP — un vecteur par paragraphe, pas par token.
La similarité cosinus, et non la distance euclidienne, est la métrique standard de similarité d'embeddings ; HANA Cloud utilise le cosinus par défaut.
Les Matryoshka embeddings permettent une troncature de 3,072d à 256d avec seulement ~5% de perte de NDCG@10 — importantes économies de stockage.
Ne jamais mélanger des embeddings de modèles différents dans un même index ; les espaces vectoriels ne sont pas alignés.
Moteur vectoriel HANA Cloud : 1,536d cosinus, top-k < 10ms sur 1M docs — aucune base vectorielle externe requise pour la plupart des charges RAG SAP.
Fixer explicitement la version du modèle d'embedding dans la configuration du pipeline d'ingestion — une dépendance non fixée peut changer de modèle silencieusement lors d'une montée de version de routine, produisant un index mixte corrompu sans aucune erreur.
Le moteur vectoriel de HANA Cloud n'est pas l'unique mécanisme de récupération de cette base : un moteur de Knowledge Graph natif (RDF/SPARQL) ancre mieux les questions de nature relationnelle que ne le fera jamais la similarité d'embeddings.
Un score de similarité cosinus est un signal de classement, pas une mesure de confiance calibrée — ne jamais présenter un chiffre de similarité brut à un utilisateur métier comme « le degré de certitude du modèle ».

Termes employés sur cette page

Embedding: Un vecteur dense à valeurs réelles représentant une unité de texte dans un espace sémantique appris.
Cosine similarity: cos(θ) = (A·B)/(|A||B|) : mesure l'angle entre deux vecteurs ; 1.0 = direction identique, 0 = orthogonale, −1 = opposée.
Matryoshka Representation Learning (MRL): Technique d'entraînement qui rend les k premières dimensions d'un grand embedding utilisables comme embedding plus petit autonome, permettant une dimensionnalité flexible.
RAG: Retrieval-Augmented Generation : architecture qui vectorise un corpus documentaire, récupère les k passages les plus pertinents au moment de la requête et les ajoute au prompt du LLM.
Vector index: Un index de plus proches voisins approché (ANN) (par ex. HNSW, IVF) permettant une recherche sous-linéaire sur de grandes collections d'embeddings.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →

Embeddings (plongements vectoriels)

Qu'est-ce que Embeddings (plongements vectoriels) ?

De quoi il s'agit

Pourquoi c'est important

Points clés

Termes employés sur cette page

Sources

Concepts liés

Modules d'académie associés

Études approfondies

Guides SAP analytics & TJM