Base de données vectorielle : c'est quoi et pour quoi faire ?

Base de données vectorielle : guide complet

Une base de données vectorielle stocke des données sous forme de vecteurs (tableaux de nombres flottants) et permet de trouver les éléments les plus similaires à une requête. Elle est le composant clé des applications IA modernes : moteurs de recommandation, recherche sémantique, systèmes RAG.

Comprendre les vecteurs (embeddings)

Un embedding est une représentation numérique d'une donnée (texte, image, son) dans un espace mathématique multidimensionnel.

Exemple : le texte "chat noir" peut être représenté par un vecteur de 1536 dimensions :

La magie : des concepts sémantiquement proches ont des vecteurs mathématiquement proches.

• "chat noir" ≈ "félin sombre" (vecteurs similaires)
• "chat noir" ≠ "pizza margherita" (vecteurs éloignés)

Recherche par similarité (ANN)

Contrairement à une base SQL qui cherche une correspondance exacte, une base vectorielle effectue une recherche ANN (Approximate Nearest Neighbors) : elle trouve les N vecteurs les plus proches du vecteur de requête.

Métriques de distance :

• Cosine similarity : angle entre les vecteurs (le plus courant pour le texte)
• Euclidean distance : distance géométrique
• Dot product : produit scalaire (rapide)

Les bases de données vectorielles populaires

• Outil: Pinecone — Type: SaaS managé — Points forts: Simplicité, scaling automatique
• Outil: Weaviate — Type: Open source + cloud — Points forts: Hybride vectoriel + BM25
• Outil: Qdrant — Type: Open source + cloud — Points forts: Performances, Rust, filtres
• Outil: Chroma — Type: Open source — Points forts: Idéal pour prototyper localement
• Outil: pgvector — Type: Extension PostgreSQL — Points forts: Si vous êtes déjà sur Postgres
• Outil: Milvus — Type: Open source — Points forts: Large échelle, entreprise

Le RAG (Retrieval-Augmented Generation)

Le cas d'usage principal des bases vectorielles dans l'IA actuelle.

Problème : un LLM (GPT-4, Claude) ne connaît pas vos documents internes, votre base de connaissances, vos données récentes.

Solution RAG :

1. 1Convertissez vos documents en embeddings → stockés dans la base vectorielle
2. 2L'utilisateur pose une question → convertissez la question en embedding
3. 3Recherchez les documents les plus similaires dans la base
4. 4Injectez ces documents dans le prompt du LLM
5. 5Le LLM répond en se basant sur vos données

Exemple de code : RAG simple avec OpenAI + Chroma

Performances et scalabilité

Les indexes vectoriels utilisent des algorithmes comme HNSW (Hierarchical Navigable Small World) pour rechercher parmi des millions de vecteurs en quelques millisecondes.

Benchmarks typiques :

• Pinecone : < 100ms pour 10M vecteurs
• Qdrant : < 10ms pour 1M vecteurs en local
• pgvector : suffisant jusqu'à ~1M vecteurs

Conclusion

Les bases de données vectorielles sont la colonne vertébrale de l'IA applicative. Si vous développez un chatbot IA, un moteur de recherche sémantique ou un assistant sur vos données internes, vous en aurez besoin. Commencez avec pgvector (si vous êtes sur PostgreSQL) ou Chroma (pour prototyper).