Pourquoi la recherche traditionnelle ne suffit pas pour l’IA
Les bases de données relationnelles excellent à trouver ce que l’on cherche lorsque la recherche peut s’exprimer de façon exacte : « tous les clients dont segment = ‘grossiste’ et date_achat > ‘2025-01-01’ ». Elles échouent en revanche lorsque la recherche est sémantique : « les documents qui portent sur des réclamations au titre de la garantie, même s’ils n’emploient pas ce mot précis » ou « les produits les plus proches de celui-ci, même s’ils portent des noms entièrement différents ».
Les bases de données vectorielles répondent précisément à ce problème. Elles constituent l’infrastructure qui permet aux systèmes d’IA de trouver une information pertinente par son sens, et non par ses mots exacts.
Comment fonctionnent les vecteurs et les embeddings
La première étape consiste à transformer les données (texte, images, audio) en vecteurs numériques au moyen de modèles d’embedding. Ces vecteurs capturent le sens : deux textes de même signification exprimés avec des mots différents auront des vecteurs similaires (proches dans l’espace vectoriel), tandis que des textes sur des sujets distincts auront des vecteurs éloignés.
La base de données vectorielle stocke ces vecteurs. Elle est optimisée pour exécuter des recherches de similarité à grande échelle avec une faible latence : à partir d’un vecteur de requête, elle trouve en quelques millisecondes les N vecteurs les plus proches parmi des millions. Cette capacité est au cœur du RAG (Retrieval-Augmented Generation), de la recherche sémantique, des systèmes de recommandation et de bien d’autres applications actuelles de l’IA.
Les principales options, et quand choisir chacune
Pinecone
Service entièrement géré, sans infrastructure à administrer. Idéal pour les équipes qui veulent démarrer rapidement avec le RAG ou la recherche sémantique sans se soucier de l’exploitation. Il évolue automatiquement et offre une faible latence. En contrepartie, les données résident sur l’infrastructure de Pinecone, ce qui peut poser problème pour des données très sensibles.
Weaviate
Base de données vectorielle open source, disponible en cloud géré ou en auto-hébergement. Elle propose un filtrage hybride (recherche vectorielle combinée à des filtres sur les métadonnées), particulièrement utile lorsque les requêtes mêlent sémantique et contraintes structurées. Sa conception modulaire facilite l’intégration de modèles d’embedding propres.
Qdrant
Également open source, Qdrant se distingue par ses performances sur de gros volumes et par un filtrage sur payload très souple. C’est l’option privilégiée lorsqu’il faut un auto-hébergement performant et un contrôle total des données.
pgvector
Extension de PostgreSQL qui ajoute des capacités vectorielles à une base relationnelle que de nombreuses équipes connaissent déjà. Lorsque le volume n’est pas massif et que l’équipe travaille déjà avec PostgreSQL, pgvector permet d’ajouter la recherche sémantique sans gérer un système supplémentaire. Son principal atout est l’intégration avec les données relationnelles existantes.
Des applications concrètes en entreprise
Systèmes RAG pour la connaissance interne
C’est le cas d’usage le plus fréquent : les documents internes de l’entreprise (manuels, contrats, rapports, e-mails) sont indexés dans la base de données vectorielle. Lorsqu’un collaborateur pose une question à l’assistant d’IA, le système récupère les passages les plus pertinents et s’en sert comme contexte pour produire une réponse précise et étayée.
Recherche sémantique de produits
Dans l’e-commerce et les catalogues industriels, la recherche sémantique permet à l’utilisateur de trouver le produit dont il a besoin même s’il n’en connaît pas le nom exact ou s’il emploie d’autres termes que ceux du catalogue. Des déploiements comparables font état d’améliorations significatives du taux de produits trouvés par rapport à la recherche par mots-clés.
Détection de doublons et de similarités
Identifier des contrats similaires, des tickets de support en double ou des produits équivalents dans différents catalogues exige une recherche par le sens, et non par le texte exact. Les bases de données vectorielles rendent cette recherche possible à grande échelle.
Questions fréquentes
Quand une base de données vectorielle est-elle préférable à la recherche plein texte ?
La recherche plein texte (comme Elasticsearch ou Solr) est supérieure lorsque l’on cherche des termes exacts ou que le vocabulaire du domaine est bien maîtrisé. La recherche vectorielle l’emporte lorsque les utilisateurs cherchent par concept, lorsque les documents emploient un vocabulaire varié pour un même sujet, ou lorsqu’elle est associée à un LLM qui doit récupérer un contexte pertinent.
Comment tenir la base de données vectorielle à jour lorsque les documents changent ?
Les bases de données vectorielles prennent en charge les opérations d’upsert (insertion ou mise à jour) et de suppression. Le pipeline de mise à jour doit détecter quand un document source change, recalculer son embedding et mettre à jour l’enregistrement dans la base vectorielle. Pour les collections qui changent souvent, ce pipeline de synchronisation fait partie de la conception du système dès le départ.
Quels modèles d’embedding utilise-t-on pour produire les vecteurs ?
Les modèles d’embedding d’OpenAI (text-embedding-3-small et large) sont l’option la plus courante, pour leur qualité et leur facilité d’utilisation. Lorsque des exigences de confidentialité interdisent d’envoyer des données à des API externes, des modèles open source comme ceux de la famille sentence-transformers ou E5 peuvent s’exécuter en local avec des résultats de grande qualité.