Définition de la base de données vectorielle
Une base de données vectorielle est un système qui stocke des vecteurs numériques et retrouve, pour un vecteur de requête, ceux qui en sont les plus proches selon une mesure de distance. Ces vecteurs, appelés plongements (embeddings), sont calculés par un modèle à partir d’un contenu : un passage de texte ou une image. Le modèle est entraîné pour que deux contenus de sens voisin reçoivent des vecteurs voisins.
Le terme relève de l’usage. Il couvre des bases conçues pour cet emploi et des fonctions vectorielles ajoutées à des bases relationnelles ou à des moteurs de recherche.
À quoi sert la recherche par similarité
Une requête SQL sélectionne des lignes en comparant des valeurs. Un moteur plein texte retrouve les documents contenant les mots demandés. Une base de données vectorielle répond à une autre demande : quels contenus ressemblent à celui-ci ?
Elle retrouve des passages proches d’une question formulée avec d’autres mots, des images semblables ou des quasi-doublons. Son emploi dans un assistant documentaire est décrit dans notre fiche sur le RAG.
Distance, plus proches voisins et index approchés
La proximité se calcule par une mesure de distance, par exemple la distance cosinus, le produit scalaire ou la distance euclidienne.
La recherche exacte compare la requête à chaque vecteur stocké. Son résultat est complet et son coût croît avec le nombre de vecteurs. La recherche approchée des plus proches voisins (approximate nearest neighbor, ANN) s’appuie sur un index qui limite les comparaisons. Elle répond plus vite et peut omettre certains voisins : la documentation de pgvector parle d’un rappel échangé contre de la vitesse, celle d’OpenSearch d’une précision cédée contre une latence plus faible.
Deux familles d’index figurent dans la documentation de pgvector comme dans celle de Milvus. HNSW, décrit par Yu. A. Malkov et D. A. Yashunin dans un article déposé sur arXiv en 2016, organise les vecteurs en un graphe à plusieurs couches. Les index à listes inversées (IVF) répartissent les vecteurs en groupes et n’explorent que les groupes proches de la requête.
La base conserve des métadonnées (source, date, droits d’accès), qui servent à filtrer les résultats.
Les produits cités ici relèvent de trois familles, d’après leur documentation : des bases relationnelles dotées d’un type vectoriel (extension pgvector pour PostgreSQL, type VECTOR de MariaDB), des moteurs de recherche (OpenSearch, Elasticsearch) et des bases spécialisées (Qdrant, Milvus, Weaviate).
Base vectorielle, modèle de plongement, moteur plein texte, RAG : ne pas confondre
| Notion | Rôle | Rapport avec la base vectorielle |
|---|---|---|
| Modèle de plongement | Convertit un contenu en vecteur | Il produit ce que la base stocke ; changer de modèle impose de recalculer les vecteurs |
| Index vectoriel | Structure de recherche (HNSW, IVF) | La base y ajoute le stockage durable, les filtres et les mises à jour |
| Moteur plein texte | Retrouve des documents par leurs mots | La recherche hybride combine les deux approches |
| RAG | Architecture qui fournit des passages à un modèle de langage | La base vectorielle en est une brique |
Proche ne signifie pas pertinent. Une recherche des plus proches voisins renvoie des résultats même lorsque le corpus ne contient rien d’utile, sauf seuil de distance.
Exemple : retrouver un compte rendu d’intervention
Prenons un service de maintenance qui conserve ses comptes rendus d’intervention. Un technicien décrit une panne : « vibration au démarrage de la pompe ». Un compte rendu parle d’« oscillations à la mise en route du groupe de pompage ». Les deux textes ne partagent aucun terme technique, mais leurs plongements sont voisins : la base renvoie ce compte rendu, après un filtre sur la famille d’équipement.
L’index étant approché, un compte rendu utile peut manquer. L’équipe mesure le rappel sur des questions de référence, en comparant les résultats à ceux d’une recherche exacte, puis règle l’index. Pour les numéros de pièce, elle ajoute une recherche par mots-clés.
Le choix entre une base spécialisée et une fonction vectorielle du socle existant, ses règles d’accès et son exploitation relèvent de notre page plateforme data. L’assistant qui s’en sert est l’objet de notre page IA générative en entreprise.