Base de données vectorielle

Définition

Une base de données vectorielle est une base conçue pour stocker et rechercher des embeddings — des vecteurs à haute dimension — par similarité, afin de retrouver rapidement le contenu dont le sens est le plus proche d'une requête.

Aussi connu sous : magasin de vecteursindex vectorielbase de recherche par similarité

Comment cela fonctionne

Votre contenu est converti en embeddings et stocké sous forme de vecteurs. Quand une requête arrive, elle est elle aussi transformée en vecteur, et la base retrouve les vecteurs les plus proches à l'aide d'algorithmes de plus proches voisins approximatifs (ANN), qui restent rapides même sur des millions d'éléments.

Contrairement à une base traditionnelle qui recherche des valeurs exactes, une base vectorielle classe les résultats par proximité sémantique. Parmi les exemples répandus : Pinecone, Weaviate, Milvus et pgvector pour Postgres.

Pourquoi c'est important pour le support

La base de données vectorielle est le moteur de recherche qui se cache derrière les agents de support propulsés par le RAG. C'est elle qui permet d'interroger toute votre base de connaissances par le sens en quelques millisecondes et de transmettre au modèle les passages les plus pertinents — pour que les réponses restent ancrées dans vos contenus réels.

Questions fréquentes

Ai-je besoin d'une base de données vectorielle pour faire du support IA ?

Si vous voulez des réponses augmentées par la recherche et ancrées dans votre propre documentation, une forme de recherche vectorielle intervient — mais beaucoup de plateformes la gèrent pour vous en coulisses : vous connectez une source de connaissances sans administrer vous-même de base de données.

En quoi une base vectorielle diffère-t-elle d'une base classique ?

Une base classique retrouve des correspondances exactes ou structurées ; une base vectorielle retrouve les éléments dont le sens est le plus proche d'une requête, classés par distance entre embeddings.

Termes liés

Embeddings

Les embeddings sont des représentations vectorielles numériques de texte (ou d'images, de code, etc.) qui capturent le sens : des contenus de sens proche se retrouvent ainsi côte à côte dans un espace de grande dimension..

Recherche sémantique

La recherche sémantique est une technique de recherche qui met en correspondance les contenus par le sens plutôt que par les mots-clés exacts, en utilisant des embeddings pour trouver des résultats conceptuellement proches de la requête même s'ils n'ont aucun mot en commun avec elle..

Génération augmentée par récupération (RAG)

La génération augmentée par récupération (RAG) est une technique par laquelle un modèle d'IA récupère les informations pertinentes dans vos propres sources de connaissances au moment de la requête et s'en sert pour ancrer sa réponse, au lieu de se fier uniquement à ce qu'il a mémorisé pendant l'entraînement..

Base de connaissances

Une base de connaissances est une bibliothèque d'articles structurée et consultable — modes d'emploi, FAQ, guides de dépannage et politiques — qui permet aux clients ou aux agents de trouver des réponses sans contacter directement le support..

Sources de données

Les sources de données (aussi appelées sources de connaissances) sont ce dans quoi un agent puise : documents téléversés, sites web indexés et contenus en direct issus d'applications connectées comme Google Docs, Notion et Confluence.

Passez à l'action

Macha est une couche d'agents IA qui se pose sur le help desk que vous utilisez déjà, Zendesk, Freshdesk, Front, Intercom ou Gorgias.

Démarrer l'essai