Aperçu moduleModule previewVista previa del módulo
Aperçu limité, 3 premières étapesLimited overview, first 3 stepsVisibilidad limitada, 3 primeras etapas

Bases vectorielles : Pinecone, Qdrant, Weaviate, pgvectorVector databases: Pinecone, Qdrant, Weaviate, pgvectorBases de datos vectoriales: Pinecone, Qdrant, Weaviate, pgvector

Parcours : Data, RAG & Vector Databases · AvancéCourse: Data, RAG & Vector Databases · AdvancedCurso: Datos, RAG y bases de datos vectoriales · Avanzado

Bases vectorielles : Pinecone, Qdrant, Weaviate, pgvector
1/7
ÉtapeStepEtapa 1 / 7

≈ 15 min

Contexte

Pourquoi il faut une base spécialisée pour stocker des vecteurs.

Au programme de ce moduleIn this moduleEn el programa de este módulo

  1. 01Contexte≈ 15 min
  2. 02Explication≈ 35 min
  3. 03Démonstration≈ 30 min
  4. 04Cas pratique≈ 25 min
  5. 05Étude de cas≈ 25 min
  6. 06Exercice≈ 35 min
  7. 07Quiz≈ 5 min
Durée totaleTotal durationDuración total≈ 170 min
voix de synthèse

Une fois chaque chunk transformé en embedding, il faut pouvoir retrouver très vite les vecteurs les plus proches d’une question, parfois parmi des millions. C’est le rôle du « vector store » (base vectorielle), conçu pour la recherche par similarité à grande échelle.

Comparer la question à CHAQUE vecteur un par un devient vite trop lent. Les bases vectorielles s’appuient sur des index approximatifs, ANN (approximate nearest neighbors, plus proches voisins approchés), dont le plus répandu est HNSW, qui retrouvent « presque toujours » les bons voisins en une fraction du temps. Un compromis exactitude/vitesse assumé et paramétrable.

Ce module traite de la brique la plus concrète du pipeline, et paradoxalement de celle qui inquiète le plus les directions techniques : l’endroit où vivront vos données. Les deux modules précédents ont produit des chunks et des vecteurs ; il faut désormais les stocker, les interroger vite, et pouvoir répondre à trois questions qui vous seront immanquablement posées. Où les données reposent-elles physiquement ? Qui peut y accéder ? Que se passe-t-il si nous décidons de partir ?

La difficulté n’est pas de calculer une similarité, on sait le faire en quelques lignes. La difficulté est de la calculer vite sur beaucoup de vecteurs, tout en appliquant des filtres, et sans perdre la maîtrise de l’endroit où reposent les données. Ces trois exigences tirent dans des directions différentes, et c’est ce qui explique qu’il existe plusieurs solutions plutôt qu’une seule évidente.

Un mot sur le compromis fondamental, car il surprend souvent. Une base vectorielle ne garantit pas de renvoyer les plus proches voisins EXACTS : elle renvoie très vite des voisins presque toujours corrects. C’est un choix assumé, réglable, et parfaitement acceptable dans un RAG où la récupération n’est de toute façon qu’une présélection destinée à être reclassée. Le savoir évite deux erreurs symétriques : croire l’index infaillible, et s’alarmer d’un résultat manquant en concluant à une panne.

Ce que vous saurez faire

Expliquer pourquoi une recherche par similarité à grande échelle réclame une brique dédiée, et ce que l’on accepte de perdre en échange de la vitesse. Comparer quatre solutions selon des critères que vous saurez ordonner vous-même, hébergement compris. Écrire un filtre d’habilitation qui s’applique dans la requête, côté serveur. Créer un index pgvector requêtable en SQL et vérifier, par le résultat, que le cloisonnement tient réellement.

Objectifs d’apprentissage

À l’issue de ce module, vous saurez Comprendre le rôle d’un vector store, Comparer Pinecone, Qdrant, Weaviate et pgvector (dont le critère souveraineté/hébergement UE), Appliquer un filtrage par métadonnées pour cloisonner les habilitations, et Créer un index pgvector requêtable en SQL.