Glossaire

Transformez les flux de documents et de données avec les agents IA
vous pouvez personnaliser et contrôler. Conçu pour les finances, les affaires juridiques et les opérations.

Retour à l'index du glossaire
E

Embeddings (plongements vectoriels)

Les embeddings, ou plongements vectoriels, sont des vecteurs numériques qu’un modèle d’IA produit pour représenter un texte, une image ou d’autres données, de sorte que des éléments de sens voisin soient proches. Un nom de fournisseur ou une ligne de facture devient ainsi une longue suite de nombres comparables.

‍

La proximité se mesure souvent par similarité cosinus. Les auteurs de Sentence-BERT ont montré en 2019 que trouver la paire la plus proche parmi 10 000 phrases prenait environ 65 heures avec BERT, contre environ 5 secondes avec SBERT.

‍

En finance, les embeddings servent à :

‍

  • rapprocher un fournisseur écrit différemment dans l’ERP, le relevé bancaire et la facture
  • retrouver la ligne de commande qu’une ligne de facture décrit autrement
  • retrouver la clause de contrat utile avant un contrôle de prix

‍

Similarité ne veut pas dire égalité. Un score élevé indique que deux enregistrements parlent de la même chose, pas que deux montants, IBAN ou numéros de facture sont identiques : les embeddings proposent des candidats, les règles exactes confirment. Avec la facturation électronique, les identifiants arrivent structurés et se rapprochent par règle exacte ; les embeddings servent surtout aux désignations en texte libre. Des vecteurs issus de deux modèles ne se comparent pas : changer de modèle impose de recalculer l’index.

‍

Les embeddings ne sont pas anonymes. Une étude de Morris et ses coauteurs (2023) a reconstitué exactement 92 % de textes de 32 tokens à partir de leurs embeddings, et retrouvé des noms complets dans des notes cliniques. Des vecteurs calculés sur des factures ou des bulletins de paie méritent la protection des documents eux-mêmes, un point de conformité RGPD des systèmes d’IA.

‍

Une base de données vectorielle stocke et interroge les embeddings, le rapprochement sémantique s’en sert pour apparier des enregistrements, la génération augmentée par récupération pour trouver les passages à lire. Un modèle d’embeddings peut lui-même être adapté par fine-tuning.

‍

Le Match IA de Phacet combine rapprochement exact et sémantique, avec une vectorisation à la maille ligne, des scores de confiance et des justifications en langage naturel. Le même moteur sert au 3-way matching, au rapprochement bancaire et au lettrage comptable.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.