Vector Database

📖 Qu'est-ce qu'une Vector Database ?

Une base de données vectorielle (Vector Database) est un système spécialisé pour stocker, indexer et rechercher des vecteurs numériques (embeddings). Contrairement aux bases traditionnelles qui comparent des valeurs exactes, les Vector Databases comparent des similarités sémantiques.

Fonctionnalités clés :

• ✅ Stockage de vecteurs à haute dimensionnalité (128 à 4096 dimensions)
• ✅ Indexation pour recherche rapide (HNSW, IVF, PQ)
• ✅ Recherche par similarité (cosinus, euclidienne, produit scalaire)
• ✅ Filtrage hybride (vecteurs + métadonnées)
• ✅ Support des architectures RAG (Retrieval-Augmented Generation)

🧠 Embeddings : le cœur de la vectorisation

Les embeddings sont des représentations vectorielles de données (texte, image, audio) générées par des modèles d'IA. Des mots similaires ont des vecteurs similaires.

Modèles d'embeddings courants

Exemple d'embedding avec Sentence-BERT

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

# Générer des embeddings
phrases = ["Discours sur la liberté", "Appel à la résistance"]
embeddings = model.encode(phrases)

print(embeddings.shape)  # (2, 384)

🔍 Recherche vectorielle

La recherche vectorielle consiste à trouver les k vecteurs les plus similaires à un vecteur requête.

Mesures de similarité

Exemple de recherche avec FAISS

import faiss
import numpy as np

# Index FAISS
dimension = 384
index = faiss.IndexFlatIP(dimension)  # Produit scalaire

# Ajouter des embeddings
index.add(embeddings)

# Rechercher les 5 plus similaires
requete = model.encode(["liberté"])
distances, indices = index.search(requete, k=5)

🏢 Solutions du marché

🚀 FAISS (Facebook AI Similarity Search)

FAISS est la bibliothèque de référence pour la recherche vectorielle, développée par Meta. Elle est utilisée par des milliers d'entreprises et de projets open source.

Installation

pip install faiss-cpu  # Version CPU
pip install faiss-gpu  # Version GPU (si CUDA disponible)

Index FAISS courants

Exemple avec notre projet

# Index des discours
dimension = 384
index = faiss.IndexHNSWFlat(dimension, 32)

# Ajouter les embeddings des discours
index.add(discours_embeddings)

# Rechercher "discours sur la liberté"
requete = model.encode(["discours sur la liberté"])
scores, indices = index.search(requete, k=3)

# Résultats : Appel du 18 juin, Discours de Bayeux...

🤖 RAG et Vector Database

Le RAG (Retrieval-Augmented Generation) est l'architecture IA qui combine recherche vectorielle et génération de texte par LLM.

Exemple RAG simple

from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from langchain.llms import OpenAI

# 1. Charger les documents et créer l'index
documents = ["Discours 1...", "Discours 2..."]
vectorstore = FAISS.from_texts(documents, embeddings)

# 2. Récupérer le contexte pertinent
query = "Que dit Charles de Gaulle sur la résistance ?"
context = vectorstore.similarity_search(query, k=3)

# 3. Générer la réponse avec contexte
prompt = f"Contexte: {context}\nQuestion: {query}\nRéponse:"
response = llm.invoke(prompt)

🎯 Cas d'usage des Vector Databases

1. Recherche sémantique

Trouver des documents par concept, pas par mot-clé. "Discours sur la liberté" → trouve l'Appel du 18 juin.

2. RAG (IA générative)

Alimenter des LLM avec un contexte pertinent et à jour, sans hallucination.

3. Recommandation

"Les utilisateurs qui ont aimé ce discours ont aussi aimé..."

4. Détection de similarité / plagiat

Comparer des documents pour trouver des passages similaires.

5. Recherche multimodale

Trouver une image à partir d'une description textuelle (CLIP).

📚 Ressources pour aller plus loin

• Site officiel FAISS
• Pinecone (cloud)
• Qdrant (open source)
• Sentence-BERT (embeddings)
• 🤖 RAG et graphes de connaissances
• 🔍 Guide recherche vectorielle