Przejdź do treści
promptowy.com / Glossaire IA / Base de données vectorielle (Vector database)
Technologie

Base de données vectorielle (Vector database)

Une base de données vectorielle stocke des données sous forme mathématique pour retrouver des informations selon leur sens plutôt que par de simples mots-clés.

Une base de données vectorielle est un système de stockage conçu spécifiquement pour indexer, organiser et interroger des vecteurs numériques de grande dimension, souvent appelés plongements sémantiques ou embeddings. Au lieu de chercher des correspondances exactes de mots ou de chiffres comme le fait une base de données relationnelle classique, elle mesure la proximité mathématique entre des concepts pour identifier les informations dont le sens est le plus proche de la demande.

Ce composant technique est devenu le cœur battant des applications modernes d'intelligence artificielle générative. Il permet aux modèles de langage de puiser dans des millions de documents textuels, d'images ou d'enregistrements audio en une fraction de seconde, sans avoir besoin de réentraîner le modèle pour lui apporter de nouvelles connaissances.

Du mot-clé au sens : la révolution du calcul de distance

Dans un moteur de recherche traditionnel, si un internaute tape le mot « vélotaf », le système cherche exactement les pages qui contiennent cette suite de lettres. Si un article parle uniquement de « déplacements quotidiens à bicyclette », il risque d'être ignoré.

Une base vectorielle fonctionne différemment. Le texte d'origine est d'abord traduit par un modèle d'IA en une longue suite de coordonnées géométriques. Deux phrases abordant la même idée se retrouvent positionnées très près l'une de l'autre dans cet espace mathématique, même si elles n'ont aucun mot en commun. Lorsque vous posez une question, la base de données vectorielle ne demande pas « où ce terme apparaît-il ? », mais calcule « quels sont les points les plus proches du point formé par cette question ? ».

Le pilier de la génération augmentée par récupération (RAG)

Le cas d'usage le plus courant des bases vectorielles concerne les architectures RAG (Retrieval-Augmented Generation). Cette approche permet de relier un modèle de langue à la documentation interne d'une organisation en respectant un parcours bien balisé :

  • Le découpage : Les documents internes (fiches techniques, manuels de procédures, contrats) sont segmentés en courts paragraphes cohérents.
  • La vectorisation : Chaque fragment est transformé en un vecteur mathématique qui condense sa signification.
  • L'indexation : Tous ces vecteurs sont enregistrés dans la base vectorielle avec un lien vers leur texte source.
  • L'interrogation : À l'arrivée d'une question utilisateur, la base isole en quelques millisecondes les trois ou quatre extraits les plus pertinents pour les fournir comme antisèche au modèle d'IA, qui rédige alors une réponse fiable.

Exemple concret : un cabinet d'avocats à Liège ou un office de tourisme québécois

Imaginons un réseau de médiathèques municipales entre Namur, Sherbrooke et Grenoble qui souhaite créer un assistant pour orienter les usagers parmi des dizaines de milliers de règlements, d'archives locales et de fiches de lecture. Avec une recherche par mots-clés, un citoyen qui demande « que faire si mon chien a abîmé un livre emprunté ? » pourrait n'obtenir aucun résultat si le document officiel mentionne uniquement « dégradation de matériel par un animal domestique ».

En indexant les notices administratives dans une base de données vectorielle, le système repère instantanément que la situation du chien et l'article sur la dégradation d'un animal domestique occupent le même quartier dans l'espace des sens. L'usager reçoit immédiatement le bon protocole et le barème de remboursement applicable, sans friction linguistique.

L'erreur classique : oublier les filtres exacts

L'erreur la plus fréquente consiste à vouloir remplacer toutes les bases traditionnelles par une base vectorielle. La recherche sémantique excelle pour comprendre l'intention humaine, mais elle manque parfois de rigueur pour des critères stricts. Si vous demandez des factures d'avril pour un client précis, un calcul de proximité peut ramener des documents de mars ou de mai qui traitent d'un sujet similaire.

Les architectures les plus robustes adoptent aujourd'hui une approche hybride : elles combinent la recherche sémantique offerte par la base vectorielle avec des filtres relationnels classiques (identifiant client, date de publication, localisation géographique) pour obtenir à la fois la finesse de compréhension et la précision absolue des données de gestion.

Questions fréquentes

Quelle est la différence entre une base SQL et une base vectorielle ?

Une base SQL organise des données tabulaires et recherche des correspondances précises sur des valeurs ou des mots-clés. Une base vectorielle compare des représentations mathématiques pour trouver des concepts similaires en termes de sens ou de contenu visuel.

Peut-on stocker autre chose que du texte dans une base vectorielle ?

Oui. Dès lors qu'un modèle peut transformer une donnée en vecteur, vous pouvez y indexer des images, des pistes audio, des vidéos ou même des structures moléculaires pour effectuer des recherches par similarité.

Faut-il obligatoirement une base vectorielle pour faire du RAG ?

Pour un petit volume de quelques documents, une simple recherche par mots-clés peut suffire. Dès que le corpus documentaire grandit et contient du vocabulaire varié, la base vectorielle devient incontournable pour maintenir la pertinence et la vitesse des réponses.

← Tous les termes du glossaire IA

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›