Qu'est-ce qu'un plongement vectoriel (vector embedding) ?

Un plongement vectoriel transforme un texte — un mot, une phrase, un document, un nom de colonne — en un point dans un espace de grande dimension, exprimé sous forme de liste de nombres. L'astuce est que le placement capture le sens : « chiffre d'affaires » et « ventes totales » atterrissent l'un près de l'autre même s'ils ne partagent aucune lettre, tandis que « chiffre d'affaires » et « météo » atterrissent loin. Cela permet à un logiciel de rechercher par similarité sémantique — trouver ce que vous vouliez dire, non seulement ce que vous avez littéralement tapé — ce qui alimente la recherche sémantique et une grande partie de la récupération de l'IA moderne.

iDBQuery utilise les plongements en coulisses pour combler l'écart entre la façon dont les gens posent des questions et la façon dont les données sont réellement nommées et stockées :

• Apparier les questions à votre schéma. Lorsque vous posez une question sur « les clients qui ont résilié le trimestre dernier », les plongements aident iDBQuery à trouver les tables et colonnes pertinentes même si elles sont étiquetées avec des codes cryptiques.
• Alimenter la couche sémantique. Les sens capturés pour des champs obscurs aident le modèle à raisonner dans les termes de votre métier.
• Rechercher dans les documents. Pour les PDF et dossiers de fichiers, les plongements aident à récupérer les passages pertinents pour votre question.

Crucialement, les plongements sont la façon dont iDBQuery *comprend et localise* les bonnes données — mais la réponse réelle à une question structurée est ensuite calculée en exécutant un véritable SQL sur ces sources et citée jusqu'aux lignes exactes. Les plongements assurent donc l'appariement sémantique, et iDBQuery l'associe à une interrogation vérifiable plutôt que de laisser la similarité tout faire.