Une base de données vectorielle permet à votre application métier de retrouver une information par son sens, et non plus par ses mots exacts : le bon article de procédure, la fiche produit équivalente, le ticket déjà résolu. Elle est au cœur des assistants IA sur documents internes, mais elle n'impose pas toujours un nouveau produit dans votre architecture. Voici comment elle fonctionne, quelles familles de solutions existent et comment choisir sans complexifier votre système d'information.
Recherche par mots-clés ou par le sens : ce qui change
Le moteur de recherche classique d'une application compare des mots. Si un technicien tape « fuite au raccord » et que la fiche d'intervention parle d'« étanchéité du joint », il ne trouve rien. La recherche sémantique contourne ce problème : un modèle d'IA, dit modèle d'embedding, transforme chaque texte en vecteur, une liste de plusieurs centaines de nombres qui résume son sens. Deux textes proches par le sens obtiennent des vecteurs proches, même s'ils ne partagent aucun mot.
La base vectorielle stocke ces vecteurs et répond à une question simple : quels sont les éléments les plus proches de celui-ci ? Comparer une requête à des millions de vecteurs un par un serait trop lent. Les bases vectorielles utilisent donc des index de recherche approximative, dont le plus répandu s'appelle HNSW : ils sacrifient un tout petit peu d'exactitude pour répondre en quelques millisecondes.
Quels usages dans une application métier ?
Le RAG, qui consiste à fournir à un modèle de langage les passages pertinents de vos documents avant qu'il réponde, est l'usage le plus connu. Ce n'est pas le seul. Dans une application de gestion, la recherche par similarité sert aussi à :
- retrouver des cas similaires : tickets de support déjà résolus, non-conformités comparables, interventions passées sur un équipement du même type ;
- détecter les doublons : fiches clients ou articles saisis deux fois sous des libellés différents ;
- proposer des équivalents : produit de substitution dans un catalogue, pièce compatible, modèle de document adapté ;
- classer automatiquement : orienter un courriel ou une demande vers le bon service en le comparant à des exemples déjà triés ;
- améliorer la recherche plein texte existante, en combinant mots-clés et sens.
Dans tous ces cas, la valeur ne vient pas de la base elle-même mais de la qualité des données indexées et du découpage des documents. Une base vectorielle mal alimentée retrouve avec beaucoup d'assurance des passages inutiles.
Trois familles de solutions
L'extension de votre base existante : pgvector
pgvector est une extension open source de PostgreSQL. Elle ajoute un type de colonne vecteur, des opérateurs de distance et des index (HNSW et IVFFlat). Son principal atout est architectural : les vecteurs vivent dans la même base que vos données métier. Une seule requête SQL peut filtrer par client, par date ou par droit d'accès et trier par proximité sémantique. Sauvegardes, réplication et habilitations restent celles que vous maîtrisez déjà. Depuis sa version 0.7.0, publiée en 2024, elle propose aussi un type halfvec en demi-précision, qui divise environ par deux la place occupée par les vecteurs.
Les bases vectorielles dédiées : Qdrant, Weaviate, Milvus
Ces moteurs sont conçus d'abord pour la recherche vectorielle. Qdrant et Milvus sont publiés sous licence Apache 2.0, Weaviate sous licence BSD, et tous trois existent en version auto-hébergée ou en service managé. Ils apportent des fonctions avancées : filtrage riche sur les métadonnées, quantification pour réduire la mémoire, répartition sur plusieurs serveurs, recherche hybride intégrée. Des services uniquement managés, comme Pinecone, complètent l'offre. Le prix de cette puissance est un composant de plus à héberger, sécuriser, sauvegarder et synchroniser avec la base métier.
Les moteurs de recherche qui ont ajouté les vecteurs
Elasticsearch, OpenSearch ou Meilisearch savent désormais combiner recherche plein texte et recherche vectorielle. Si votre application dispose déjà d'un de ces moteurs pour sa recherche classique, y ajouter des vecteurs est souvent la voie la plus naturelle, notamment pour la recherche hybride qui mêle pertinence des mots-clés et proximité de sens.
Comment choisir sans surdimensionner
Le bon réflexe consiste à partir de l'existant plutôt que de la mode. Quatre questions suffisent à orienter la décision :
- Quel volume ? Quelques milliers à quelques centaines de milliers de passages ou de fiches, c'est le cas de la grande majorité des applications de PME : une base relationnelle équipée de pgvector tient sans difficulté. Les bases dédiées prennent l'avantage sur des dizaines de millions de vecteurs ou des charges de requêtes très élevées.
- Quel lien avec les données métier ? Si chaque recherche doit respecter les droits de l'utilisateur, le périmètre d'un client ou le statut d'un dossier, garder vecteurs et données au même endroit évite des synchronisations fragiles.
- Quelle infrastructure déjà en place ? Une application sur PostgreSQL penchera vers pgvector, une application déjà équipée d'Elasticsearch vers ses fonctions vectorielles. Un nouveau composant doit apporter un gain net.
- Où doivent résider les données ? Hébergement en France ou dans l'Union européenne, auto-hébergement ou service managé : la contrainte d'hébergement élimine parfois d'emblée certaines offres.
Dans le doute, commencez simple. Il est plus facile de migrer quelques centaines de milliers de vecteurs vers un moteur dédié le jour où le besoin est prouvé que de maintenir dès le départ une architecture à trois composants pour un usage modeste.
Les erreurs qui coûtent cher
- Négliger le découpage des documents : des morceaux trop longs noient l'information, trop courts perdent le contexte. C'est souvent là que se joue la pertinence, bien avant le choix de la base.
- Changer de modèle d'embedding sans tout recalculer : des vecteurs issus de deux modèles différents ne sont pas comparables. Notez le modèle utilisé et prévoyez un recalcul complet en cas de changement.
- Oublier les droits d'accès : une recherche sémantique qui renvoie un passage d'un document confidentiel à un utilisateur non habilité est une fuite de données. Le filtrage par droits doit être appliqué dans la requête elle-même.
- Traiter les vecteurs comme anodins : ils sont calculés à partir de vos documents et peuvent en révéler une partie. Appliquez-leur les mêmes règles d'hébergement, de sauvegarde et de suppression qu'aux sources.
- Ne pas mesurer : sans un jeu de questions de référence et les réponses attendues, impossible de savoir si un réglage améliore ou dégrade la recherche.
Notre façon de l'intégrer
Pour un besoin courant, comme un assistant sur une base documentaire SharePoint ou une recherche intelligente dans un outil du marché, configurer une solution existante est souvent la réponse la plus rapide et la plus économique, et nous la mettons en place volontiers. Quand la recherche doit s'insérer dans une application métier sur-mesure, respecter vos habilitations et croiser vos propres données, nous travaillons en mode Forward Deployed Engineer : un ingénieur déployé au plus près de vos équipes, qui construit dans votre environnement réel. Il part d'un jeu de questions issues du terrain, livre une première version mesurable sur vos données, puis ajuste découpage, modèle et index jusqu'à ce que la pertinence soit au rendez-vous.
Questions fréquentes
Qu'est-ce qu'une base de données vectorielle ?
C'est une base capable de stocker des vecteurs, c'est-à-dire des listes de nombres qui représentent le sens d'un texte ou d'une image, et de retrouver rapidement les plus proches d'une requête. Elle permet une recherche par le sens plutôt que par les mots exacts.
Faut-il une base vectorielle dédiée pour faire du RAG ?
Il faut un endroit où stocker et interroger les vecteurs, mais pas forcément un produit dédié. Pour quelques centaines de milliers de passages, l'extension pgvector dans une base PostgreSQL existante suffit souvent.
pgvector ou Qdrant : lequel choisir ?
pgvector est le choix le plus simple si votre application tourne déjà sur PostgreSQL, car vecteurs et données métier restent dans la même base, avec les mêmes droits et sauvegardes. Qdrant se justifie quand le volume, le filtrage avancé ou la charge de recherche deviennent le cœur du sujet.
Les vecteurs contiennent-ils des données personnelles ?
Un vecteur calculé à partir d'un document reste lié à ce document et peut, dans certains cas, permettre d'en retrouver des éléments. Par prudence, appliquez-lui les mêmes règles d'hébergement, de droits d'accès et de suppression qu'au document source.
Vous voulez que votre application retrouve enfin l'information par son sens ? Nous pouvons évaluer avec vous la solution la plus simple pour vos données. Parlons de votre projet.