Une base vectorielle stocke et recherche des embeddings par similarité. Elle est le moteur de la recherche sémantique et le socle de tout système RAG.
Points clés
- Comprendre la recherche par similarité vectorielle
- Découvrir les index ANN et leurs compromis
- Choisir et utiliser une base vectorielle
Comprendre la recherche par similarité vectorielle
Une base vectorielle indexe des vecteurs (embeddings) et retrouve les plus proches d'une requête par similarité cosinus ou distance euclidienne. Contrairement à une base classique qui cherche des correspondances exactes, elle trouve par le sens. Expliquez le défi : chercher parmi des millions de vecteurs en haute dimension nécessite des index spécialisés. Ce principe fonde la recherche sémantique moderne et le RAG.
Découvrir les index ANN et leurs compromis
La recherche exacte étant trop lente à grande échelle, présentez la recherche approximative des plus proches voisins (ANN) et l'algorithme HNSW, standard de l'industrie. Expliquez le compromis vitesse/précision réglable. Abordez le filtrage par métadonnées combiné à la recherche vectorielle, indispensable en pratique. Ces notions expliquent pourquoi on n'utilise pas une simple boucle pour comparer des vecteurs. La performance change tout à l'échelle.
Choisir et utiliser une base vectorielle
Comparez les options : Chroma, simple et idéale pour débuter et prototyper en local ; Qdrant, robuste et performant pour la production ; ainsi que pgvector pour rester dans PostgreSQL, ou FAISS comme bibliothèque. Faites créer une collection, insérer des embeddings et lancer des requêtes avec filtres. Reliez systématiquement au RAG pour donner du sens. Le choix dépend de l'échelle et du contexte existant.
En pratique
Scénario. Sur une demi-journée (4h), les apprenants construisent un moteur de recherche sémantique sur un corpus de documents : génération d'embeddings avec sentence-transformers, indexation dans Chroma puis Qdrant, requêtes par similarité avec filtrage par métadonnées. Ils comparent les résultats. Livrable : un notebook de recherche sémantique fonctionnel avec base vectorielle et comparaison Chroma/Qdrant.
Questions fréquentes
Faut-il une base vectorielle pour quelques documents ?
Non, pour de très petits volumes une recherche en mémoire avec NumPy ou FAISS suffit. La base devient nécessaire pour le passage à l'échelle, la persistance et le filtrage.
Chroma ou Qdrant pour la formation ?
Chroma pour débuter, car il s'installe et s'utilise en quelques lignes. Qdrant pour illustrer un usage plus proche de la production avec de meilleures performances.
Pour aller plus loin
Pour approfondir : Aborder l ethique des donnees · Aborder l ia generative d images. Et le reste de nos ressources pour les écoles, OF et formateurs.
Besoin d'un formateur expert ou envie de transmettre ?
tonformateur connecte les écoles et organismes de formation avec des intervenants experts du terrain.
Voir les cours à pourvoir Explorer l'annuaire d'outils →