Vector Search

Explication detaillee

La recherche classique par mots-cles fonctionne comme un index d’un livre: elle trouve les pages ou un terme exact apparait. Interroge sur 'responsabilite civile du fait des produits defectueux', un moteur de recherche lexical retournera les documents contenant ces mots precis, mais manquera ceux qui evoquent la 'garantie des vices caches', la 'obligation de securite' ou la 'reparation du prejudice corporel'. Pourtant, un juriste sait que ces concepts sont etroitement lies. La recherche vectorielle comble cette lacune en comparant non pas des mots, mais des sens.

Le principe repose sur la projection des documents et des requetes dans un meme espace vectoriel a haute dimension, typiquement entre 384 et 4096 dimensions. Chaque document est transforme en vecteur par un modele d’embedding. La requete de l’utilisateur subit la meme transformation. La recherche se reduit alors a un probleme geometrique: trouver les vecteurs documents les plus proches du vecteur requete selon une metrique de distance, le plus souvent la similarite cosinus ou la distance euclidienne.

Cette approche transforme radicalement l’experience de recherche. Elle autorise la synonymie ('licenciement' et 'rupture du contrat de travail'), la polysemie resolue par le contexte ('java' le langage versus 'Java' l’ile), les formulations differentes ('comment resilier un bail' et 'procedure d’expulsion du locataire') et meme les requetes dans une langue differente de celle des documents. Un chercheur peut interroger en francais une base de documents anglais et recevoir des resultats pertinents, car les embeddings multilingues projettent les concepts equivalents a des positions voisines independamment de la langue.

Les bases de donnees vectorielles sont apparues dans les annees 2010, mais leur adoption industrielle s’est accelerée avec l’essor des embeddings neuronaux contextuels post-BERT. Des solutions open-source comme FAISS (Facebook AI), Annoy (Spotify) et ScaNN (Google) ont popularise les algorithmes de recherche approximee des plus proches voisins (ANN). Ces algorithmes sacrificent une infime partie de la precision pour des gains de vitesse spectaculaires, permettant de chercher dans des milliards de vecteurs en quelques millisecondes.

L’architecture d’une base vectorielle moderne repose sur des index structures comme HNSW (Hierarchical Navigable Small World) ou IVF (Inverted File Index). HNSW organise les vecteurs dans un graphe ou chaque point est connecte a ses voisins les plus proches a differents niveaux de granularite, permettant une navigation rapide de type 'sauts d’echelle'. Les points de passage par un index vectoriel sont devenus incontournables dans les pipelines de Retrieval-Augmented Generation (RAG), ou la qualite de la recuperation conditionne directement la pertinence des reponses generees.

Pour les entreprises, la recherche vectorielle ouvre des perspectives strategiques. Les bases de connaissances internes, souvent silotees et inexplorees, deviennent interrogeables en langage naturel. Les catalogues produits gagnent en decouvrabilite. Les archives juridiques et les precedents de contentieux redeviennent exploitables. Le coût d’implementation, autrefois reserve aux geants du Web, a chute avec l’emergence de services manages comme Pinecone, Weaviate ou Chroma.

Cette technologie n’est cependant pas sans defis. Les embeddings peuvent heriter des biais des modeles qui les produisent. Les index vectoriels necessitent un re-entrainement periodique pour integrer les nouveaux documents. Et la recherche purement semantique, si elle est puissante, doit souvent etre hybridee avec des filtres metadonnees pour des contraintes exactes (dates, numeros de reference, categories).

La maturite des bases de donnees vectorielles transforme l’architecture des systemes d’information. Jusqu’a recomment, les donnees textuelles, relationnelles et documentaires etaient stockees dans des systemes distincts, necessitant des requetes complexes pour les croiser. Les bases vectorielles modernes comme Pinecone, Weaviate et Milvus unifient ces stockages en projetant toutes les donnees dans un espace semantique commun. Une requete unique peut ainsi croiser des contraintes structurelles ('documents de 2023, categorie juridique') avec une recherche semantique ('responsabilite du fait des produits'). Cette convergence simplifie l’architecture et ameliore la pertinence des resultats.