GuidesComprendre l’IA
Base de données vectorielle : à quoi elle sert
Ce qu’elle fait
Une base classique répond à « quelles lignes contiennent ce mot ? ». Une base vectorielle répond à « quels textes veulent dire à peu près la même chose ? ».
- 1IndexerChaque passage devient un embedding, rangé avec son texte et ses métadonnées.
- 2InterrogerLa question devient un vecteur avec le même modèle.
- 3FiltrerLangue, client, date : on restreint avant de comparer.
- 4RendreLes passages les plus proches, avec leur score.
Les options
| Option | Quand la choisir |
|---|---|
| pgvector (PostgreSQL) | Vos données y sont déjà, volume raisonnable |
| Qdrant, Weaviate | Gros volumes, filtres riches, hébergement possible chez vous |
| Pinecone | Service géré, sans serveur à maintenir |
| Chroma | Prototype, tests en local |
Les erreurs fréquentes
- Des passages trop longs, qui diluent le sens.
- Oublier les métadonnées, puis ne plus pouvoir filtrer.
- Changer de modèle d’embeddings sans tout réindexer.
Comment tout s’assemble : RAG, l’IA sur vos documents.
Questions fréquentes
- Faut-il une base dédiée ?
- Pas forcément. Si vos données sont déjà dans PostgreSQL, l’extension pgvector suffit pour beaucoup de projets. Une base dédiée se justifie avec de gros volumes ou des besoins de recherche avancés.
- La recherche est-elle exacte ?
- Le plus souvent approchée : un index comme HNSW trouve très vite des voisins très proches, sans garantir les plus proches absolus. En pratique, l’écart est minime.
- Peut-on filtrer par langue ou par client ?
- Oui. Chaque vecteur porte des métadonnées (langue, client, date) qui filtrent la recherche. C’est indispensable pour ne jamais mélanger les données de deux clients.