Intelligence Artificielle
Qu’est-ce que Vector Database (Base de données vectorielle) ?
Base de données optimisée pour stocker et interroger des vecteurs (embeddings) : représentations numériques de textes, images ou données.
Définition simple
C'est comme classer des fiches par « ressemblance de sens » plutôt que par mot exact : la base renvoie les passages dont le vecteur est le plus proche de la question. Base de données optimisée pour stocker et interroger des vecteurs (embeddings) : représentations numériques de textes, images ou données. La recherche se fait par similarité (distance entre vecteurs) plutôt que par correspondance exacte. C’est la brique centrale du RAG : les documents sont convertis en vecteurs, puis une requête utilisateur est transformée en vecteur pour retrouver les passages les plus proches. Exemples : Pinecone, Weaviate, pgvector, Chroma. Utilisée aussi pour la recherche sémantique, la déduplication ou les recommandations.
Comment ça marche ?
Les textes sont passés dans un modèle d’embedding qui produit un vecteur (liste de nombres). Ces vecteurs sont stockés dans la base. Pour une requête, on génère son vecteur et on lance une recherche par similarité (ex. plus proches voisins). Les documents associés aux vecteurs les plus proches sont renvoyés et injectés dans le contexte du LLM.
Impact business
Une base vectorielle permet de « connecter » vos données (doc, FAQ, catalogue) à un LLM via le RAG : l’IA répond en s’appuyant sur votre contenu à jour. Sans elle, le RAG repose sur du full-text moins pertinent pour le langage naturel. L’investissement (hébergement, indexation) est modéré ; le gain en pertinence des chatbots et assistants métier est fort. Essentiel pour tout projet IA qui doit s’appuyer sur des données privées ou à jour. Un index vectoriel typique retrouve les k segments les plus proches parmi des millions d’entrées en quelques dizaines de millisecondes — seuil sans lequel le RAG conversationnel reste trop lent en production.
Bonnes pratiques
- Nettoyer et structurer les sources avant indexation. Utiliser des métadonnées (date, type, langue) pour filtrer. Prévoir une mise à jour incrémentale des embeddings quand le contenu change.
Erreurs communes
- Indexer des documents mal structurés ou obsolètes. Choisir une base sans filtres (métadonnées) pour restreindre la recherche. Sous-estimer le coût des embeddings pour de gros volumes.
Prompt IA
Contexte : volume de données [ordre de grandeur], type [documents / FAQ / fiches produits]. Explique ce qu’est une base vectorielle en une phrase. Donne les étapes pour indexer du contenu (embeddings, stockage). Compare 2 solutions (ex. pgvector vs Pinecone) pour [budget / hébergement]. Indique comment l’intégrer dans un pipeline RAG.
SERVICE LIÉ
Passer de la définition à un projet concret.
Automatisation & IA
Approfondir ce sujet dans le cadre d’un accompagnement adapté à votre contexte.
À LIRE AUSSI
Guides plus complets sur le blog.
QUESTIONS FRÉQUENTES
Aller plus loin sur Vector Database (Base de données vectorielle).
Une base classique cherche des correspondances exactes ou des critères (WHERE). Une base vectorielle cherche les éléments « les plus proches » d’un vecteur de requête, ce qui permet la recherche sémantique (« facturation » peut matcher « paiement »).
En pratique oui. Le RAG a besoin de retrouver rapidement les passages pertinents à partir d’une question ; la recherche par similarité vectorielle est bien plus adaptée que le full-text seul. Des solutions comme pgvector s’intègrent à PostgreSQL existant.