Embeddings et bases de données vectorielles - Comment l'IA comprend le sens

Aperçu public de la leçon

Explorez comment l'IA représente les mots et les phrases sous forme de vecteurs dans un espace de haute dimension, permettant la recherche sémantique, les recommandations et le RAG.

Objectifs d’apprentissage

À la fin de cette leçon, tu comprendras :

• ✓Le problème de l'encodage one-hot
• ✓Embeddings de mots - Le sens comme géométrie
• ✓Word2Vec - Roi − Homme + Femme = Reine
• ✓Dimensions des embeddings
• ✓Des mots aux phrases

Plan de la leçon

1. Le problème de l'encodage one-hot
2. Embeddings de mots - Le sens comme géométrie
3. Word2Vec - Roi − Homme + Femme = Reine
4. Dimensions des embeddings
5. Des mots aux phrases
6. Mesurer la similarité - Similarité cosinus
7. Bases de données vectorielles - La recherche par le sens
8. RAG - Génération augmentée par récupération
9. Applications pratiques
10. Points clés à retenir
11. 📚 Pour aller plus loin