Base de données spécialisée qui stocke des embeddings et permet la recherche par similarité sémantique.
AvancéUne base vectorielle stocke des vecteurs (embeddings) et permet de trouver les plus proches d'un vecteur donné. C'est la technologie derrière la recherche sémantique et le RAG. Au lieu de chercher par mots-clés exacts ('facture' ne trouve pas 'facturation'), tu cherches par sens ('gestion financière' trouve 'comptabilité', 'facturation', 'trésorerie'). Outils populaires : Supabase avec pgvector, Pinecone, Weaviate, Chroma. En pratique, tu combines un LLM (pour générer les embeddings) + une base vectorielle (pour les stocker et chercher).
Une bibliothèque classique range les livres par catégorie et auteur. Une base vectorielle range les livres par 'proximité de sens' : un livre sur la cuisine française sera rangé près d'un livre sur la gastronomie italienne, même s'ils ont des titres et auteurs différents.
Un cabinet d'avocats utilise Supabase (pgvector) pour indexer 10 000 jurisprudences. Quand un avocat demande 'cas similaire à un licenciement abusif dans le BTP', la base vectorielle retrouve les 5 décisions les plus pertinentes par sens, pas par mots-clés. C'est du RAG en action.
Tu veux maîtriser ces concepts concrètement ?
LE LABO IA t'apprend à construire, automatiser et vendre avec l'IA.
Découvrir le programme