Une base de données vectorielle stocke des vecteurs d’embedding de grande dimension avec leurs métadonnées et retrouve les éléments les plus proches d’un vecteur de requête à l’aide de mesures de similarité comme la similarité cosinus, le produit scalaire ou la distance euclidienne. Contrairement aux recherches relationnelles fondées sur des clés exactes, les bases vectorielles permettent la recherche sémantique et la génération augmentée par récupération (RAG) sur des textes, des images et d’autres données non structurées.
Qu’est-ce qu’une base de données vectorielle ?
Une base de données vectorielle est une base de données, ou un index vectoriel spécialisé au sein d’une plateforme de données plus large, conçu pour stocker des vecteurs d’embedding et retrouver les éléments les plus proches d’un vecteur de requête. La distance ou la proximité entre deux vecteurs est mesurée mathématiquement par la similarité cosinus, le produit interne (produit scalaire) ou la distance euclidienne (L2).
Les requêtes de bases de données traditionnelles recherchent des attributs exacts : par exemple, elles renvoient la ligne dont l’identifiant vaut 55 ou filtrent les lignes dont le statut est ouvert. Une requête vectorielle pose une autre question : à partir de la représentation numérique d’une demande utilisateur, d’un passage de document ou d’une image, quels éléments stockés sont les plus proches par leur sens ou leur contenu ?
En pratique, cette fonction peut résider dans une base vectorielle spécialisée autonome ou dans une base relationnelle généraliste ou un moteur de recherche doté d’une indexation vectorielle. Quelle que soit sa forme, sa tâche principale reste identique : indexer des vecteurs de grande dimension, prendre en charge les contraintes de métadonnées et renvoyer les plus proches voisins assez rapidement pour les applications interactives.
Pourquoi les index relationnels peinent-ils avec la recherche de similarité en grande dimension ?
Les index relationnels comme les arbres B et les index de hachage peinent avec la recherche de similarité en grande dimension, car ils sont conçus pour les recherches par clé exacte, les plages de valeurs scalaires et les jointures de tables plutôt que pour les calculs de distance sur des centaines ou des milliers de dimensions.
Lorsque le nombre de dimensions augmente, la recherche des plus proches voisins se heurte au fléau de la dimension. Dans les espaces de grande dimension, les distances entre paires de points tendent à se concentrer, ce qui réduit l’efficacité d’un partitionnement spatial simple. Un parcours exact des k plus proches voisins (kNN) doit comparer le vecteur de requête à chaque vecteur stocké ; il devient lent et coûteux en calcul dès qu’une collection atteint des millions d’embeddings.
Cette limite tient au mode d’accès et non à une incapacité des systèmes relationnels à conserver des tableaux de nombres. Plusieurs bases généralistes et moteurs de recherche prennent désormais en charge des index vectoriels aux côtés des tables standard, permettant aux développeurs d’exécuter des recherches de similarité près des données transactionnelles. Même dans ces systèmes, les requêtes de similarité reposent sur des structures d’index vectoriel spécialisées plutôt que sur des arbres B standard.
Comment les embeddings, les métadonnées et les index vectoriels fonctionnent-ils ensemble ?
Les embeddings, les métadonnées et les index vectoriels associent des représentations numériques de contenus non structurés à des attributs structurés qui régissent le filtrage et l’accès. Un modèle d’embedding traduit du texte, de l’audio ou des images en vecteurs numériques de longueur fixe, afin que les éléments liés sémantiquement soient proches dans l’espace vectoriel. Ce processus est détaillé dans notre guide des embeddings.
Une base vectorielle stocke chaque vecteur d’embedding avec des métadonnées utiles, comprenant généralement :
- Un identifiant de document ou d’enregistrement qui renvoie au fichier source
- Des horodatages, catégories ou types de documents pour l’actualité et le périmètre
- Des identifiants de locataire et attributs de contrôle d’accès pour les applications multiutilisateurs
- Le fragment de texte lui-même ou un pointeur permettant de le récupérer dans le stockage principal
Lors d’une requête, les applications ont souvent besoin d’une recherche filtrée, par exemple pour trouver les fragments les plus proches concernant un client précis parmi des politiques mises à jour après une date donnée. Les index vectoriels appliquent les filtres de métadonnées avant, pendant ou après le parcours des plus proches voisins ; chaque stratégie implique des compromis entre le rappel des résultats et la latence de la requête.
Qu’est-ce que la recherche approximative des plus proches voisins et comment fonctionne HNSW ?
La recherche approximative des plus proches voisins (approximate nearest neighbor, ANN) accélère la récupération vectorielle en acceptant un faible risque de manquer un véritable plus proche voisin en échange d’une exécution des requêtes bien plus rapide. Les parcours kNN exacts passant mal à l’échelle sur de grands jeux de données de grande dimension, les bases vectorielles en production utilisent des index ANN pour rester réactives.
HNSW et indexation par graphe
Les graphes Hierarchical Navigable Small World (HNSW), présentés par Yu. A. Malkov et D. A. Yashunin en 2018 (arXiv:1603.09320), comptent parmi les conceptions d’index ANN les plus courantes. HNSW organise les vecteurs stockés en un graphe de voisinage à plusieurs couches.
Les couches supérieures d’un graphe HNSW sont clairsemées et comportent des liens à longue portée à travers l’espace vectoriel, tandis que la couche inférieure contient tous les vecteurs avec des connexions locales plus denses. À l’arrivée d’une requête, la recherche commence dans une couche supérieure clairsemée pour parcourir rapidement de vastes régions, puis descend dans des couches de plus en plus denses en suivant les liens de voisinage vers le vecteur de requête jusqu’aux candidats les plus proches.
Autres familles d’index ANN
Les index de graphes constituent une branche des conceptions ANN. D’autres familles très utilisées, documentées dans des bibliothèques comme Faiss, adoptent des approches différentes :
- Regroupement par fichier inversé (IVF) : les vecteurs sont répartis en groupes, souvent avec k-means. Lors d’une requête, l’index examine seulement les groupes les plus proches du vecteur de requête au lieu de parcourir toute la collection.
- Quantification, dont la quantification par produit (PQ) : les vecteurs sont compressés en codes compacts pour loger de plus grandes collections en mémoire, au prix d’une certaine précision des distances en échange d’une utilisation réduite de la RAM.
- Hachage sensible à la localité (LSH) : des fonctions de hachage classiques placent les vecteurs similaires dans les mêmes compartiments avec une forte probabilité, afin que les requêtes n’examinent que les éléments des compartiments voisins.
Aucun algorithme ANN ne convient à toutes les charges de travail. Le choix d’un index dépend des exigences de rappel, de la mémoire disponible, de la fréquence d’insertion ou de suppression des enregistrements et de l’intensité du filtrage des requêtes sur les métadonnées.
Recherche vectorielle, recherche par mots-clés et recherche hybride
La recherche vectorielle et la recherche par mots-clés reposent sur des signaux de correspondance différents, tandis que la recherche hybride combine les deux méthodes pour saisir le sens sémantique et les termes exacts.
La recherche par mots-clés ou lexicale utilise des index inversés et des formules de pondération des termes comme BM25 pour classer les documents selon les mots partagés et les statistiques des termes. Elle est fiable quand une requête contient des tokens exacts comme des codes d’erreur, des SKU de produits, des numéros d’articles de loi ou des noms propres. La recherche vectorielle compare des embeddings denses et peut ainsi retrouver des passages qui traitent du même concept avec des formulations totalement différentes. Cependant, les embeddings denses peuvent manquer des identifiants exacts rares si le modèle ne distingue pas clairement ces tokens.
La recherche hybride lance la récupération lexicale et vectorielle pour une même requête, fusionne ou reclasse les listes de candidats obtenues et applique des filtres de métadonnées.
| Méthode de récupération | Principal signal de correspondance | Points forts | Principales limites | Rôle courant dans le RAG |
|---|---|---|---|---|
| Recherche par mots-clés | Termes exacts et fréquence des termes via des index inversés | Efficace pour les SKU, codes d’erreur, noms et expressions exactes | Manque les synonymes et les concepts reformulés | Repérer les identifiants exacts et codes techniques |
| Recherche vectorielle | Distance entre vecteurs d’embedding | Trouve des passages liés par le sens mais formulés différemment | Peut manquer des tokens exacts rares ; sensible à la qualité du découpage | Retrouver le contexte sémantique des requêtes en langue naturelle |
| Recherche hybride | Scores lexicaux et vectoriels combinés avec filtres de métadonnées | Équilibre précision exacte et rappel sémantique | Ajoute des étapes de fusion des scores ou de reclassement | Mode de récupération par défaut pour des requêtes utilisateur variées |
La place et les limites des bases vectorielles dans le RAG
Une base vectorielle sert de couche de récupération dans la génération augmentée par récupération (RAG), en fournissant des fragments de contexte pertinents à un modèle de langage au moment de l’inférence. Au lieu de dépendre uniquement des connaissances statiques inscrites dans les poids du modèle, un pipeline RAG récupère dynamiquement des faits externes. Cette distinction architecturale est approfondie dans RAG ou fine-tuning.
Un flux conceptuel typique comporte six étapes :
- Diviser les documents sources en passages ciblés, selon les stratégies de notre guide du découpage de documents pour le RAG.
- Générer un vecteur d’embedding pour chaque fragment à l’aide d’un modèle d’embedding.
- Stocker les vecteurs, métadonnées et références des fragments dans une base ou un index vectoriel.
- Encoder la question reçue de l’utilisateur avec le même modèle d’embedding ou un encodeur de requête compatible.
- Interroger l’index vectoriel pour obtenir les fragments les plus proches, en appliquant des filtres de métadonnées et, éventuellement, une recherche par mots-clés ou un reclassement.
- Transmettre les passages récupérés comme contexte dans le prompt du modèle de langage, comme expliqué dans notre présentation du RAG.
Ce qu’une base vectorielle n’est pas
Comprendre ces limites permet de garder une architecture claire. Une base vectorielle ne remplace ni le modèle de langage qui génère les réponses, ni le modèle d’embedding qui transforme les contenus en vecteurs, ni le système principal de référence qui gère les transactions métier.
Stocker des embeddings est également différent de maintenir une source de vérité faisant autorité. Les équipes ont toujours besoin d’accéder au texte sous-jacent, de faire respecter clairement les autorisations et de disposer d’un pipeline qui met à jour ou supprime les vecteurs lorsque les documents sources changent. Si le texte source change ou si l’équipe adopte un nouveau modèle d’embedding, les documents concernés doivent être de nouveau convertis en embeddings. De plus, tous les déploiements RAG n’exigent pas une base vectorielle spécialisée autonome : un index vectoriel dans une base ou un moteur de recherche existant peut jouer le même rôle lorsque les exigences d’échelle et de filtrage correspondent.
Limites à prévoir en production
Les bases vectorielles présentent des limites pratiques liées à l’approximation des index, à la préparation des données en amont et à la maintenance continue, qu’un changement d’algorithme d’index ne peut pas résoudre.
- Résultats manqués par approximation : les index ANN échangeant l’exactitude contre la vitesse, une requête peut manquer un véritable plus proche voisin, sauf si les paramètres de rappel sont augmentés au prix de davantage de calcul ou de mémoire.
- La qualité en amont est déterminante : des limites de fragments inadéquates ou un modèle d’embedding mal adapté à votre domaine produiront des résultats médiocres, quelle que soit la vitesse de l’index vectoriel.
- La similarité n’est pas la vérité : un score de similarité élevé signifie seulement que deux vecteurs sont proches dans l’espace d’embedding. Les fragments récupérés peuvent toujours être factuellement faux, obsolètes ou non autorisés si les filtres de métadonnées échouent.
- Maintenance opérationnelle : changer de modèle d’embedding impose de recalculer tous les embeddings et de reconstruire les index ; les modifications et suppressions fréquentes ainsi que l’isolation stricte des locataires exigent une conception rigoureuse de la cohérence et des autorisations.
FAQ
Faut-il une base vectorielle autonome pour le RAG ?
Non, une architecture RAG n’exige pas toujours une base vectorielle autonome. Les bases vectorielles dédiées sont conçues spécialement pour la récupération en grande dimension, mais beaucoup de bases relationnelles généralistes et de moteurs de recherche proposent désormais des extensions d’index vectoriel. Les petites et moyennes collections peuvent tenir aisément dans un système de données existant s’il répond à vos besoins de filtrage et de mise à jour.
Quelle mesure de distance utilise une base vectorielle ?
La plupart des bases vectorielles prennent en charge trois mesures courantes : la similarité cosinus, le produit interne (produit scalaire) et la distance euclidienne (L2). Le choix dépend de l’entraînement du modèle d’embedding et de la normalisation éventuelle de ses vecteurs. La similarité cosinus compare l’angle des vecteurs indépendamment de leur norme, tandis que la distance euclidienne et le produit interne tiennent compte de leur longueur.
Pourquoi HNSW est-il si souvent utilisé dans les index vectoriels ?
HNSW, ou graphes Hierarchical Navigable Small World, est très utilisé car sa structure multicouche parcourt rapidement de grandes collections de vecteurs sans examiner chaque vecteur stocké. Les recherches commencent dans les couches supérieures clairsemées pour traverser l’espace vectoriel et affinent les résultats dans les couches inférieures plus denses, offrant un compromis pratique entre vitesse de requête et rappel.
Une base vectorielle peut-elle remplacer la recherche par mots-clés ?
Une base vectorielle remplace rarement complètement la recherche par mots-clés, car les embeddings sémantiques et les termes lexicaux résolvent des problèmes de récupération différents. La recherche vectorielle excelle lorsque les requêtes reformulent des idées ; la recherche par mots-clés excelle pour les codes d’erreur exacts, les SKU et les références juridiques. De nombreux pipelines de récupération en production combinent les deux méthodes dans une recherche hybride.
Sources
- Malkov, Yu. A., & Yashunin, D. A. (2018). Recherche approximative efficace et robuste des plus proches voisins avec des graphes Hierarchical Navigable Small World. IEEE Transactions on Pattern Analysis and Machine Intelligence (arXiv:1603.09320).
- Meta / Facebook Research. Documentation des index Faiss (référence publique sur le regroupement IVF et la quantification par produit).



