Vectorisation
La vectorisation transforme des données brutes — texte, image, audio — en vecteurs numériques que les algorithmes de machine learning peuvent manipuler et comparer. Sans cette étape, un modèle ne peut rien traiter : il ne comprend que des nombres, jamais du texte brut directement. C’est l’étape préalable indispensable à toute analyse NLP.
Plusieurs méthodes ont marqué l’évolution de la vectorisation textuelle. Les approches les plus simples — Bag of Words, TF-IDF — comptent les occurrences de mots sans capter leur sens. Word2Vec, à partir de réseaux de neurones à deux couches, a introduit le word embedding : des mots au sens proche obtiennent des vecteurs proches dans l’espace mathématique. Les approches contextuelles les plus récentes, via BERT et l’architecture Transformer, génèrent des vecteurs qui varient selon le contexte de la phrase — un même mot obtient un vecteur différent selon son sens, contrairement aux méthodes plus anciennes.
En RH, la vectorisation est la brique invisible qui rend possible la recherche sémantique dans un ATS (retrouver des candidats pertinents même sans mots-clés identiques), le tri automatique de courriers ou demandes salariés par catégorie, ou le regroupement de commentaires similaires dans une enquête collaborateur — toute tâche qui nécessite de comparer le sens de deux textes plutôt que leurs mots exacts.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Innovatiana, OpenClassrooms.