Glossaire IA · Données et connaissances
Base de données vectorielle
En une phrase
Une base de données vectorielle stocke des embeddings, ces suites de nombres qui représentent le sens d'un contenu, et retrouve très vite les plus proches d'une requête. C'est la brique de recherche de la plupart des systèmes RAG.
Autres noms: vector database · base vectorielle · magasin de vecteurs · vector store
Qu’est-ce qu’une base de données vectorielle ?
Une base de données classique cherche des valeurs exactes : le client portant ce numéro de SIRET, les commandes de mars. Une base de données vectorielle cherche par ressemblance : les dix extraits de documentation les plus proches de cette question.
Passez à la pratique
L'IA d'UTIO, par API
Dès 29 €/mois + TVA
Pour les développeurs et les agences qui construisent leurs propres produits.
Découvrir l'API d'IAElle stocke des embeddings : des vecteurs de centaines ou de milliers de nombres, un par extrait de texte, d’image ou d’audio. À côté de chaque vecteur, elle garde le contenu d’origine et des informations utiles pour filtrer, comme la langue, la date ou le client concerné.
En lien avec ce terme
API d'IA
- Transcription, voix, texte, image, OCR et embeddings
- Clés par client avec plafond de dépense
- Porte-monnaie prépayé : recharge minimale de 50 €
Dès 29 €/mois + TVA Compte avec panneau, plus la consommation
Découvrir l'API d'IAComment ça marche
- Indexer. Vos documents sont découpés, l’embedding de chaque extrait est calculé puis stocké avec ses métadonnées.
- Interroger. Une question arrive, on calcule son embedding et on demande à la base « donne-moi les plus proches ».
- Filtrer. On combine la ressemblance avec des conditions classiques : uniquement les documents en français, de ce client, en vigueur.
Comparer une question à des millions de vecteurs un par un serait lent. Ces bases utilisent donc des index de recherche approximative : elles renoncent à une précision parfaite pour répondre en quelques millisecondes. En pratique, la différence ne se voit pas.
Dans un système RAG, la base vectorielle joue le rôle de moteur de recherche. Ce qu’elle renvoie est transmis au modèle de langage, qui rédige la réponse. Si la recherche ramène le mauvais extrait, la réponse sera fausse, même avec un excellent modèle. Le grounding commence donc ici.
Exemple
Une entreprise de maintenance d’ascenseurs à Lyon possède les manuels techniques d’une vingtaine de fabricants, soit des centaines de PDF. Ses techniciens perdent du temps à chercher le bon code d’erreur. Elle indexe les manuels dans une base vectorielle, avec le fabricant et le modèle comme filtres.
Depuis son téléphone, le technicien écrit « porte ne se ferme pas, erreur E17, modèle X » et reçoit les trois paragraphes du manuel de ce modèle qui traitent de cette panne. Le filtre par fabricant évite de tomber sur le E17 d’une autre marque, qui signifie tout autre chose.
Ce que cela change pour votre entreprise
Si vous voulez simplement un agent qui réponde avec votre documentation, vous n’avez pas à choisir ni à maintenir une base vectorielle. Chez UTIO, l’agent répond avec votre base de connaissances, et la mémoire de l’agent comme le CRM sont conservés en Espagne.
Si vous construisez votre propre moteur de recherche ou votre propre RAG, l’API d’IA d’UTIO crée les embeddings pour indexer et chercher dans votre contenu, et passe vos documents scannés en texte grâce à l’OCR avant l’indexation. La base vectorielle, vous la choisissez.
Questions fréquentes
Faut-il une base de données vectorielle pour faire du RAG ?
Pas toujours, avec peu de documents : on peut comparer les vecteurs en mémoire ou via une extension de votre base habituelle. Avec des dizaines de milliers d'extraits, beaucoup de requêtes ou des filtres par client, une base vectorielle devient rentable.
Quelles bases de données vectorielles existent ?
Il existe des services dédiés, comme Pinecone, Qdrant, Weaviate ou Milvus, et des extensions de bases connues, comme pgvector pour PostgreSQL. Le choix dépend du volume, de l'endroit où vous voulez héberger les données et des outils déjà utilisés par votre équipe.
Remplace-t-elle la base de données classique ?
Non. Elle sert à chercher par ressemblance. Les commandes, les factures et les clients restent dans votre base habituelle, où ce sont les valeurs exactes qui comptent.
Termes associés
- Embeddings
Un embedding est une suite de nombres qui représente le sens d'un texte, d'une image ou d'un son. Deux textes de sens proche ont des embeddings proches, ce qui permet de chercher par le sens et pas seulement par les mots exacts.
- RAG
Le RAG (génération augmentée par récupération) est une technique qui fait chercher à un modèle de langage les passages utiles dans vos documents, puis rédiger sa réponse à partir d'eux, au lieu de répondre uniquement de mémoire.
- Base de connaissances
Une base de connaissances est l'ensemble organisé des informations d'une entreprise (questions fréquentes, conditions, horaires, fiches produit, procédures) dans lequel un agent IA ou une équipe va chercher ses réponses.
- Grounding
Le grounding, ou ancrage, consiste à faire reposer les réponses d'un modèle d'IA sur des sources précises et vérifiables, comme vos documents, une base de données ou une recherche, plutôt que sur ce qu'il a retenu de son entraînement.
- API
Une API (interface de programmation d'application) est un ensemble de règles qui permet à un logiciel de demander des données ou une action à un autre : vous envoyez une requête au format convenu et recevez une réponse, sans savoir comment l'autre est construit.
Mis à jour le