Machine Learning Mastery : recherche sémantique avec embeddings au lieu de mots-clés

La recherche par mots-clés est une illusion. Tant que l'utilisateur tape les mots exacts du document, le système fonctionne. Mais la vie réelle est plus complexe : les gens décrivent une idée avec leurs propres mots plutôt que de répéter mécaniquement le texte. Machine Learning Mastery explique pourquoi cette méthode a échoué et comment la remplacer par des embeddings et des métadonnées.

Quand les mots-clés ne fonctionnent pas

Imaginez une base de données avec une recette : « Les œufs sont battus avec du lait à vitesse pendant 3 minutes ». L'utilisateur cherche « comment mélanger des œufs avec du lait ». Le système ne trouvera rien — la requête ne contient pas le mot « fouetter ». La distance entre les mots peut être énorme, mais le sens est le même.

Cela ne concerne pas seulement les recettes. La recherche dans les documents, les articles de recherche, les FAQ, les guides de référence — partout, un même problème surgit : pas de correspondance littérale = pas de résultats. L'utilisateur pense au sens, tandis que l'algorithme cherche une correspondance de lettres. Ces deux mondes ne se rencontrent jamais.

Dans les applications d'entreprise, c'est particulièrement critique. Un employé cherche « règles de congés », mais la base de données dit « politique relative au temps d'absence rémunéré ». Le système ne trouvera pas le document nécessaire, bien que le sens soit évident. Résultat : information perdue, temps gaspillé, frustration.

Les embeddings LLM pour la sémantique

Solution : transformer le texte en nombre — un vecteur qui encode le sens. Le texte « Les œufs sont battus avec du lait » et « Comment mélanger des œufs avec du lait ? » obtiendront des vecteurs proches, car les embeddings comprennent le sens, pas la morphologie.

Machine Learning Mastery montre l'approche en Python : d'abord, générez des embeddings pour tous les documents (une fois — c'est coûteux), puis pour la requête de l'utilisateur. Ensuite, calculez la distance cosinus entre les vecteurs et retournez les documents avec la plus petite distance.

Les embeddings capturent les synonymes, les paraphrases, les idées sémantiquement proches. « Mélanger », « remuer », « combiner » — le modèle comprend que c'est le même concept. Même si l'utilisateur écrit « combiner du lait avec des œufs », le système trouvera la recette de battage. C'est là la magie : les embeddings vectoriels fonctionnent au niveau du sens, pas des lettres.

Les métadonnées comme filtre et classement

Mais les embeddings sans contexte peuvent être imprécis. C'est à cela que servent les métadonnées : la date du document, la catégorie, la source, l'autorité. C'est une information structurée qui aide à affiner la recherche.

Exemple : la requête « comment faire cuire les œufs ». Les embeddings trouveront 1 000 documents — recettes, articles scientifiques, vlogs vidéo, forums. Mais l'utilisateur a besoin de recettes rapides publiées cette année. Les métadonnées résolvent ce problème :

• Filtrer par type de contenu (recettes vs. articles scientifiques vs. messages publicitaires)
• Trier par date de publication
• Donner la priorité aux sources fiables (sites culinaires vs. blogs personnels)
• Tenir compte des préférences de l'utilisateur (recettes végétariennes, plats rapides, économiques)

La combinaison embeddings + métadonnées crée un système puissant : il cherche non pas par lettres, mais par sens, tout en respectant le contexte et les contraintes.

Que signifie cela

L'avenir de la recherche est une approche hybride. Les embeddings capturent la sémantique, les métadonnées ajoutent la structure. Pour les développeurs, cela signifie que la simple recherche par « correspondance » ne suffit plus. Il faut penser aux bases de données vectorielles (Pinecone, Weaviate, Qdrant), à la façon de coder le sens des documents et à l'utilisation des informations contextuelles. Machine Learning Mastery fournit un schéma concret que vous pouvez appliquer dès aujourd'hui dans n'importe quelle application de recherche.