Quel est l'objectif de l'étape suivant l'extraction des morceaux de texte dans un pipeline RAG ?	Trouver des morceaux de texte pertinents pour la question de l'utilisateur afin de les ajouter au contexte du prompt.
Comment le processus de recherche de morceaux de texte pertinents est-il conceptualisé ?	C'est un problème de recherche (search problem).
Quelle méthode est la plus courante pour implémenter cette recherche dans un pipeline RAG ?	La recherche sémantique (semantic search).
Qu'est-ce qu'un "text embedding" ?	Une représentation numérique de la signification contenue dans un texte.
Quel outil est utilisé pour générer les text embeddings ?	Un modèle d'intégration (embedding model).
Quel format prend un embedding généré par un modèle ?	Une longue liste de nombres (qui peuvent varier de -1 à +1).
Que représente chaque nombre individuel à l'intérieur d'un embedding ?	Un score de certaines qualités du texte d'entrée (même si la signification exacte est inconnue).
Quel nom de modèle est utilisé pour la génération d'embeddings sur Vertex ?	`text embedding 005`.
Quel SDK est nécessaire pour accéder aux modèles d'embedding sur Vertex ?	Le Vertex SDK (installé via `pip install google-genai`).