Base de données vectorielle : la mémoire de recherche des IA
Une base de données vectorielle range des embeddings, ces listes de nombres qui représentent le sens d'un texte, et sait retrouver en quelques millisecondes ceux qui ressemblent le plus à une question. C'est le moteur de recherche caché derrière la plupart des assistants qui répondent à partir de documents.
Données au 22 octobre 2026
L'essentiel en chiffres
| Niveau | Intermédiaire |
|---|
Ce que c’est, simplement
Une base de données classique cherche des correspondances exactes : un nom, une date, un numéro de commande. Une base de données vectorielle cherche des ressemblances. Elle stocke des embeddings (des vecteurs de nombres qui représentent le sens d’un contenu) et répond à la question : « quels éléments sont les plus proches de celui-ci ? ».
Pour mesurer cette proximité, elle utilise des formules de distance. La documentation de pgvector, par exemple, liste la distance euclidienne, le produit scalaire et la distance cosinus, entre autres. Pour ne pas comparer la question à chaque vecteur un par un, elle construit des index de recherche approximative. L’un des plus répandus, HNSW, vient d’un article de Malkov et Yashunin déposé sur arXiv en 2016 ; pgvector le propose, aux côtés d’IVFFlat.
Un exemple concret
Un service client dispose de milliers d’articles d’aide. Chaque article est découpé en paragraphes, chaque paragraphe converti en embedding et enregistré dans la base avec son titre et son lien. Quand un client écrit « mon colis indique livré mais je n’ai rien reçu », sa question est convertie à son tour, et la base renvoie les paragraphes les plus proches, même s’ils parlent de « livraison non reçue ». Ces passages sont ensuite transmis au modèle : c’est le schéma classique du RAG.
Pourquoi ça compte
Sans cette brique, un assistant devrait relire tous vos documents à chaque question, ce qui est lent, coûteux et souvent impossible au-delà de la fenêtre de contexte. La base vectorielle sert aussi de mémoire à long terme pour les agents, et de moteur à la recherche sémantique. Si vous débutez dans la construction d’agents, notre parcours Construire situe cette brique parmi les autres.
Erreurs fréquentes
- Oublier les filtres. La proximité de sens ne suffit pas : il faut souvent filtrer par date, langue ou droits d’accès, sinon un employé peut recevoir un extrait qu’il n’aurait pas dû voir.
- Négliger le découpage. Des morceaux trop longs noient l’information, trop courts perdent le contexte : le chunking pèse beaucoup sur la qualité.
- Croire que la base « comprend ». Elle compare des nombres ; la compréhension vient du modèle d’embedding choisi.
- Changer de modèle d’embedding sans tout recalculer. Les anciens vecteurs deviennent incomparables avec les nouveaux.
Termes voisins : embedding, RAG, recherche sémantique, recherche hybride, reclassement (reranking).
Termes liés
- Embedding (plongement) · Liste de nombres (un vecteur) qui représente le sens d'un texte ou d'une image, pour comparer des contenus par leur proximité de sens.
- RAG (génération augmentée par récupération) · Technique qui va chercher des passages dans vos documents avant de répondre, et les donne au modèle pour qu'il s'appuie dessus.
- Recherche sémantique · Recherche qui retrouve des contenus par leur sens, et non par mots identiques, en comparant des représentations numériques des textes.
- Recherche hybride · Recherche qui combine mots-clés exacts et recherche par le sens (embeddings), puis fusionne les deux listes de résultats en un seul classement.
- Chunking (découpage en morceaux) · Découpage de documents longs en petits passages cohérents, pour pouvoir les indexer et n'envoyer au modèle que les morceaux utiles.
- Reranking (reclassement) · Seconde étape de recherche : un modèle plus précis relit les meilleurs candidats trouvés et les remet dans le bon ordre de pertinence.
Tout le glossaire
Questions fréquentes
Faut-il un logiciel spécialisé ou une base classique suffit-elle ?
Les deux existent. Il y a des bases conçues pour les vecteurs, et des extensions qui ajoutent cette capacité à une base existante : pgvector, par exemple, se présente comme une recherche de similarité vectorielle open source pour PostgreSQL. Pour un projet modeste, rester sur une base que l'on maîtrise déjà est souvent le plus simple.
Les résultats sont-ils exacts ?
Pour aller vite, la plupart des bases utilisent une recherche approximative des plus proches voisins. Elle échange un peu de précision contre beaucoup de vitesse : il arrive qu'un passage pertinent soit manqué. Les réglages de l'index permettent d'ajuster ce compromis.
Combien de documents faut-il pour en avoir besoin ?
Il n'y a pas de seuil officiel. Pour quelques fichiers, envoyer directement le texte au modèle peut suffire. La base devient utile quand le corpus dépasse ce que le modèle peut lire d'un coup, ou quand il faut répondre vite à de nombreuses questions.
Sources des données
Données au 22 octobre 2026
Signaler une erreur
Un chiffre, une date ou une information vous semble faux ? Dites-le-nous : chaque signalement est vérifié.