Dans l’apprentissage automatique, la notion d’espace latent permet de transformer des données non structurées en représentations vectorielles exploitables par des algorithmes. Par exemple, dans un modèle de langage, chaque mot ou phrase est représenté par un point dans un espace multidimensionnel. Deux points proches peuvent être interprétés comme des éléments similaires. Cette approche permet des opérations comme la recherche sémantique, la recommandation, ou encore la génération créative de contenu. L’espace latent est construit par l’algorithme d’apprentissage, souvent via des mécanismes d’encodage/décodage (autoencodeurs, embeddings, transformeurs). Il reste difficilement interprétable par l’humain, mais extrêmement efficace pour modéliser des structures implicites. Dans un cadre opérationnel, la visualisation ou la manipulation de cet espace permet d’optimiser la classification, la personnalisation ou la détection d’anomalies.