Les bases de données vectorielles

Une base vectorielle stocke des « plongements » (embeddings) : des représentations numériques du sens d'un texte, d'une image ou d'un son. Elle permet de retrouver les contenus les plus proches d'une requête par la signification. C'est la brique centrale du RAG et de la recherche sémantique, d'où sa forte adoption.

Un type de base de données qui retrouve l'information par le sens, pas par les mots exacts. À lire aussi : RAG · Bases de données & SQL · LLMOps.

01 — De quoi on parle

Les bases de données vectorielles, en clair

Une base vectorielle stocke des « plongements » (embeddings) : des représentations numériques du sens d'un texte, d'une image ou d'un son. Elle permet de retrouver les contenus les plus proches d'une requête par la signification. C'est la brique centrale du RAG et de la recherche sémantique, d'où sa forte adoption.

02 — Pourquoi c'est en vogue

Ce qui pousse le sujet

• L'essor du RAG a rendu la recherche sémantique incontournable.
• Les bases classiques (PostgreSQL avec pgvector, notamment) intègrent désormais le vectoriel.
• Chercher « par le sens » améliore nettement les moteurs internes et les chatbots.

03 — Ce que ça change

Les effets concrets

• Moteurs de recherche internes plus pertinents, tolérants aux synonymes et aux fautes.
• Assistants documentaires (RAG) capables de citer les bons passages.
• Nouvelle compétence à acquérir : découpage, indexation, réglage de la pertinence.

04 — Comment s'y prendre

Par où commencer

• Commencer avec une extension vectorielle sur la base déjà en place si possible.
• Soigner la préparation des documents (découpage) : c'est là que se joue la qualité.
• Mesurer la pertinence sur des questions réelles, pas sur une impression.
• Gérer les droits d'accès dès le départ (ne pas mélanger les périmètres).

05 — Points de vigilance

Ce qu'il faut garder en tête

• Une base vectorielle mal alimentée donne des réponses médiocres : « déchet en entrée, déchet en sortie ».
• Coût de calcul des embeddings à surveiller sur de gros volumes.
• Ce n'est qu'une brique : il faut l'outiller (RAG, interface, garde-fous).

06 — Questions fréquentes

Questions fréquentes

Faut-il une base dédiée ?

Pas toujours : une extension vectorielle sur PostgreSQL suffit à beaucoup de projets. Les bases dédiées visent la très grande échelle.

À quoi ça sert concrètement ?

Recherche interne « intelligente », chatbots documentaires, recommandation, déduplication.

C'est réservé aux experts ?

Les concepts sont accessibles ; la qualité dépend surtout de la préparation des données.

07 — Ressources & liens

Où aller, concrètement