---
id: CP-262
slug: embeddings-bases-vectorielles
lang: fr
title: Embeddings et bases de données vectorielles
description: Comment un texte devient des coordonnées, comment une base vectorielle les range, et ce qu'il faut savoir avant d'y verser un document.
canonical_url: https://startbrain.io/cyberpedia/fr/articles/embeddings-bases-vectorielles/
markdown_url: https://startbrain.io/cyberpedia/fr/articles/embeddings-bases-vectorielles.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, « Embeddings et bases de données vectorielles », Cyberpedia, 2026. https://startbrain.io/cyberpedia/fr/articles/embeddings-bases-vectorielles/ (CC BY 4.0)
wing: 4
theme: understand_ai
reflex: air-003
schema: G3
updated: "2026-11-10"
translations:
  fr: https://startbrain.io/cyberpedia/fr/articles/embeddings-bases-vectorielles/
  en: https://startbrain.io/cyberpedia/en/articles/embeddings-vector-databases/
  de: https://startbrain.io/cyberpedia/de/articles/embeddings-vektordatenbanken/
  es: https://startbrain.io/cyberpedia/es/articles/embeddings-bases-de-datos-vectoriales/
  it: https://startbrain.io/cyberpedia/it/articles/embeddings-database-vettoriali/
  nl: https://startbrain.io/cyberpedia/nl/articles/embeddings-vectordatabases/
  pl: https://startbrain.io/cyberpedia/pl/articles/embeddingi-i-wektorowe-bazy-danych/
  pt: https://startbrain.io/cyberpedia/pt/articles/embeddings-bases-de-dados-vetoriais/
  ja: https://startbrain.io/cyberpedia/ja/articles/embedding-vector-database/
sources:
  - "n": 1
    title: Efficient Estimation of Word Representations in Vector Space
    publisher: arXiv
    url: https://arxiv.org/abs/1301.3781
    published: "2013-01-16"
    accessed: "2026-11-10"
  - "n": 2
    title: Vector Search Overview - Azure AI Search
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/search/vector-search-overview
    accessed: "2026-11-10"
  - "n": 3
    title: Distributed Representations of Words and Phrases and their Compositionality
    publisher: arXiv
    url: https://arxiv.org/abs/1310.4546
    published: "2013-10-16"
    accessed: "2026-11-10"
  - "n": 4
    title: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding"
    publisher: arXiv
    url: https://arxiv.org/abs/1810.04805
    published: "2018-10-11"
    accessed: "2026-11-10"
  - "n": 5
    title: "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks"
    publisher: arXiv
    url: https://arxiv.org/abs/1908.10084
    published: "2019-08-27"
    accessed: "2026-11-10"
  - "n": 6
    title: Extracting Training Data from Large Language Models
    publisher: arXiv
    url: https://arxiv.org/abs/2012.07805
    published: "2020-12-14"
    accessed: "2026-11-10"
  - "n": 7
    title: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
    publisher: arXiv
    url: https://arxiv.org/abs/2005.11401
    published: "2020-05-22"
    accessed: "2026-11-10"
  - "n": 8
    title: OWASP Top 10 for Large Language Model Applications | OWASP Foundation
    publisher: OWASP
    url: https://owasp.org/projects/top-10-for-large-language-model-applications
    accessed: "2026-11-10"
  - "n": 9
    title: Attention Is All You Need
    publisher: arXiv
    url: https://arxiv.org/abs/1706.03762
    published: "2017-06-12"
    accessed: "2026-11-10"
  - "n": 10
    title: AI Risk Management Framework
    publisher: NIST
    url: https://www.nist.gov/itl/ai-risk-management-framework
    accessed: "2026-11-10"
---

# Embeddings et bases de données vectorielles

Un embedding est une suite de nombres, des coordonnées, qui représente un contenu. Deux contenus de sens proche reçoivent des coordonnées proches. Pour les mots, l'idée s'appuie sur les travaux de Tomas Mikolov et de ses coauteurs, soumis le 16 janvier 2013, qui proposent deux architectures pour calculer des représentations vectorielles continues de mots à partir de très grands jeux de données [1].

Une base vectorielle range ces coordonnées pour retrouver les contenus les plus proches d'une requête. Microsoft décrit la recherche vectorielle comme un appariement fondé sur les vecteurs les plus proches du vecteur de la requête. Il permet de rapprocher « dog » et « canine », deux mots conceptuellement proches mais distincts dans leur forme [2].

Pour un salarié, le cas courant est l'assistant branché sur les documents de l'entreprise. Cette fiche explique le principe, puis ce qu'il faut savoir avant d'y verser un document.

## En 30 secondes

- Où ça arrive : dans un assistant qui répond à partir de documents indexés. Microsoft cite cet usage, la génération augmentée par récupération (RAG), parmi ceux d'une base vectorielle [2].
- Ce qui se passe : selon la configuration, le document est découpé, converti en vecteurs, puis rangé dans un index que l'on interroge par le sens [2].
- Le réflexe : avant de verser un document, demander qui pourra l'obtenir par l'assistant, et traiter la version indexée comme le document lui-même.
- Si c'est déjà fait : prévenir le responsable de l'assistant ou la sécurité pour faire retirer le document de l'index.

## Questions directes

### Qu'est-ce qu'un embedding ?

C'est une représentation numérique d'un contenu. Le modèle Skip-gram, présenté par Mikolov et ses coauteurs, apprend des vecteurs de mots qui captent un grand nombre de relations syntaxiques et sémantiques précises [3]. Les auteurs notent une limite : ces représentations ignorent l'ordre des mots et ne rendent pas les expressions idiomatiques. Les sens de « Canada » et de « Air » ne se combinent pas facilement pour donner « Air Canada » [3].

BERT, présenté en octobre 2018, apprend des représentations de texte en tenant compte à la fois du contexte à gauche et à droite d'un mot [4]. Sentence-BERT, publié en août 2019, en dérive des embeddings de phrases que l'on compare par similarité cosinus [5].

### Qu'est-ce qu'une base de données vectorielle ?

C'est un système qui stocke des vecteurs et retrouve les plus proches d'un vecteur de requête. Dans Azure AI Search, un algorithme de plus proches voisins place les vecteurs similaires près les uns des autres dans l'index, et une requête renvoie les k plus proches voisins [2]. Le service peut servir d'index vectoriel pur, comme mémoire à long terme, comme base de connaissances ou comme données d'ancrage pour une architecture RAG [2].

### Peut-on retrouver le texte d'origine à partir d'un embedding ?

Par prudence, la version indexée d'un document se traite comme le document.

Un risque voisin est connu pour les modèles de langage. En décembre 2020, Nicholas Carlini et ses coauteurs montrent qu'un adversaire peut récupérer des exemples d'entraînement en interrogeant un modèle de langage [6]. Les auteurs constatent que les modèles plus grands sont plus vulnérables que les petits [6].

### Les droits d'accès suivent-ils les documents ?

Microsoft présente Foundry IQ comme une couche de connaissances qui transforme le contenu d'entreprise en « permission-aware knowledge bases » pour des agents [2]. La même page décrit les requêtes filtrées : un filtre s'applique à des champs texte ou numériques, sert aux filtres de métadonnées et permet d'inclure ou d'exclure des résultats [2]. Reste à savoir si les droits d'un document d'origine suivent ses passages indexés : la question se pose au responsable de l'assistant avant tout versement.

### Un contenu piégé, une fois indexé, peut-il influencer les réponses ?

Dans une architecture RAG, le modèle combine sa mémoire propre et une mémoire externe [7]. Les auteurs du RAG d'origine utilisent un index vectoriel dense de Wikipédia, interrogé par un moteur de recherche neuronal [7]. L'une de leurs formulations conditionne toute la réponse sur les mêmes passages récupérés [7]. Ce qui est indexé entre donc dans ce que le modèle lit pour répondre.

Pour les risques des applications fondées sur des modèles de langage, le projet OWASP maintient une liste des « most critical security vulnerabilities in LLM applications », dont une version 2025 est signalée [8].

## Comment ça marche

La chaîne comporte trois étapes : fabriquer les vecteurs, les ranger, puis les interroger.

### Fabriquer les vecteurs

Un modèle d'embedding transforme le texte en vecteur. Le nom de BERT vient d'une architecture, le Transformer : Bidirectional Encoder Representations from Transformers [4]. Cette architecture, proposée en juin 2017, repose uniquement sur des mécanismes d'attention [9].

L'intérêt de Sentence-BERT tient à la vitesse. Avec BERT seul, trouver la paire la plus similaire parmi 10 000 phrases demande environ 50 millions de calculs d'inférence, soit environ 65 heures. Avec Sentence-BERT, l'effort tombe à environ 5 secondes, pour une précision maintenue [5].

### Ranger les vecteurs

Azure AI Search décrit deux voies. Dans le traitement interne, le service découpe les documents en morceaux et les vectorise dans un pipeline d'indexeur. Le client fournit les ressources, comme les points d'accès et les informations de connexion d'Azure OpenAI [2]. Dans le traitement externe, les embeddings sont produits hors du service, puis poussés dans les champs vectoriels de l'index [2].

### Interroger

Une étape d'encodage peut transformer la requête de l'utilisateur en vecteur avant son envoi à l'index [2]. La recherche hybride exécute en parallèle la recherche vectorielle et la recherche par mots-clés, et fusionne les résultats en une seule réponse. Microsoft écrit qu'elle donne souvent de meilleurs résultats que l'une ou l'autre seule [2].

## Ce que vous faites

Avant de verser un document dans un assistant ou dans un index :

- Demandez qui peut interroger l'assistant et si les droits du document d'origine sont appliqués aux réponses.
- Vérifiez où partent les textes. Dans une configuration intégrée, le service appelle un modèle d'embedding, par exemple celui d'Azure OpenAI [2].
- Considérez que la copie indexée a la même sensibilité que l'original, tant que personne n'a établi le contraire.
- Ne versez pas un document dont vous ne connaissez pas la provenance. Dans une architecture RAG, des passages récupérés conditionnent la réponse [7].
- Si le document est déjà versé par erreur, signalez-le tout de suite à la personne qui administre l'assistant.

## Les pièges

- La recherche par le sens rapproche des contenus de sens proche, pas seulement ceux qui contiennent les mêmes mots. Microsoft cite la correspondance entre « dog » et « canine », entre deux langues ou entre un texte et une image [2].
- Un embedding peut être multimodal : texte et images peuvent partager le même espace de recherche [2].
- Une base vectorielle est un moteur de recherche. Azure AI Search propose des filtres de métadonnées et sert de socle à Foundry IQ [2] ; vérifiez qui peut l'interroger.
- Les cadres de référence évoluent. Le NIST décrit son AI RMF comme destiné à un usage volontaire, publié le 26 janvier 2023 et en cours de révision. Un profil consacré à l'IA générative, NIST-AI-600-1, a été publié le 26 juillet 2024 [10].

## Cas réels

### Extraction de données d'entraînement de GPT-2, décembre 2020

Carlini et ses coauteurs attaquent GPT-2, un modèle entraîné sur des pages publiques d'Internet. Ils en extraient des centaines de séquences de texte mot pour mot : des données personnelles publiques (noms, numéros de téléphone, adresses e-mail), des conversations IRC, du code et des UUID de 128 bits [6]. L'attaque fonctionne même quand chaque séquence ne figure que dans un seul document d'entraînement [6]. Ce cas concerne un modèle de langage, pas une base vectorielle.

## Sources

1. arXiv, « Efficient Estimation of Word Representations in Vector Space », 16 janvier 2013. https://arxiv.org/abs/1301.3781 (consulté le 10 novembre 2026)
2. Microsoft, « Vector Search Overview - Azure AI Search ». https://learn.microsoft.com/en-us/azure/search/vector-search-overview (consulté le 10 novembre 2026)
3. arXiv, « Distributed Representations of Words and Phrases and their Compositionality », 16 octobre 2013. https://arxiv.org/abs/1310.4546 (consulté le 10 novembre 2026)
4. arXiv, « BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding », 11 octobre 2018. https://arxiv.org/abs/1810.04805 (consulté le 10 novembre 2026)
5. arXiv, « Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks », 27 août 2019. https://arxiv.org/abs/1908.10084 (consulté le 10 novembre 2026)
6. arXiv, « Extracting Training Data from Large Language Models », 14 décembre 2020. https://arxiv.org/abs/2012.07805 (consulté le 10 novembre 2026)
7. arXiv, « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », 22 mai 2020. https://arxiv.org/abs/2005.11401 (consulté le 10 novembre 2026)
8. OWASP, « OWASP Top 10 for Large Language Model Applications | OWASP Foundation ». https://owasp.org/projects/top-10-for-large-language-model-applications (consulté le 10 novembre 2026)
9. arXiv, « Attention Is All You Need », 12 juin 2017. https://arxiv.org/abs/1706.03762 (consulté le 10 novembre 2026)
10. NIST, « AI Risk Management Framework ». https://www.nist.gov/itl/ai-risk-management-framework (consulté le 10 novembre 2026)

---

Source originale : Cyberpedia, l'encyclopédie publique de cybersécurité et d'IA publiée par Brain. Version canonique : https://startbrain.io/cyberpedia/fr/articles/embeddings-bases-vectorielles/
Vous pouvez reprendre ce texte librement sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), à condition de citer « Brain, Cyberpedia » avec un lien vers l'adresse ci-dessus.
