Les bases de données vectorielles expliquées

Derrière presque toutes les fonctionnalités de « recherche IA » et de RAG se cache le même moteur discret : la recherche par similarité sur des vecteurs. Si vous construisez quoi que ce soit qui retrouve du contenu par sens plutôt que par mots-clés exacts, vous devez comprendre les vecteurs — et, point crucial, savoir quand vous avez besoin ou non d'une base de données dédiée pour les gérer.

Du texte aux vecteurs

Un embedding est une liste de nombres — un vecteur — qui capture le sens d'un texte (ou d'une image, ou d'un fichier audio). Un modèle d'embedding transforme « annuler mon abonnement » et « comment arrêter d'être facturé » en vecteurs proches l'un de l'autre, même si ces phrases n'ont presque aucun mot en commun.

Cette proximité, c'est tout le mécanisme. Le sens devient géométrie : les concepts similaires se retrouvent voisins dans un espace en haute dimension, et « trouver du contenu pertinent » devient « trouver les vecteurs les plus proches ».

Comment fonctionne la recherche par similarité

Une fois votre contenu stocké sous forme de vecteurs, la récupération est simple dans son principe :

1. Transformer la requête de l'utilisateur en vecteur.
2. Trouver les vecteurs stockés les plus proches, généralement par similarité cosinus.
3. Retourner le contenu correspondant à ces vecteurs voisins.

La difficulté réside dans l'étape 2 lorsque vous manipulez des millions de vecteurs. Comparer chaque vecteur un à un est trop lent ; les index vectoriels utilisent donc des algorithmes de recherche approximative des plus proches voisins (ANN) qui échangent une infime perte de précision contre un gain de vitesse considérable.

Avez-vous vraiment besoin d'une base de données vectorielle ?

C'est la question qui compte, et la réponse honnête est : généralement pas au départ.

Si vous utilisez déjà PostgreSQL — ce qui est le cas avec Supabase — l'extension pgvector ajoute des colonnes vectorielles et un indexage ANN directement dans votre base de données existante. Cela signifie :

• Un seul système à opérer, sauvegarder et sécuriser, pas deux.
• Des jointures entre vos vecteurs et vos données relationnelles classiques en une seule requête — filtrez par tenant, date ou catégorie et par similarité simultanément.
• Aucun service supplémentaire à synchroniser, payer ou maintenir en cohérence.

Pour la plupart des produits allant jusqu'à plusieurs millions de vecteurs, pgvector n'est pas un compromis — c'est la bonne réponse pragmatique.

Quand une base de données vectorielle dédiée se justifie

Passez à un moteur vectoriel spécialisé lorsque vous atteignez de vraies limites :

• Très grande échelle : des dizaines ou des centaines de millions de vecteurs, où l'indexation et le sharding conçus à cet effet font la différence.
• Débit de requêtes élevé qui entrerait en concurrence avec votre charge transactionnelle.
• Fonctionnalités de récupération avancées, comme une recherche hybride sophistiquée ou des filtres qu'un moteur dédié gère mieux.

Même dans ce cas, conservez dans Postgres les métadonnées dont votre application dépend ; laissez le moteur vectoriel faire uniquement ce pour quoi il excelle.

Obtenir une qualité de récupération satisfaisante

La base de données est rarement la partie difficile — c'est la qualité de récupération qui l'est. Quelques leviers ont plus d'impact que le choix du moteur :

• Adaptez votre modèle d'embedding à votre domaine, et utilisez le même modèle pour l'indexation et les requêtes.
• Combinez recherche vectorielle et recherche par mots-clés (hybride) afin que les termes exacts comme les noms de produits soient toujours trouvés.
• Filtrez avant ou conjointement à la similarité pour que les résultats respectent les règles de tenancy et de permissions.
• Reclassez les meilleurs candidats pour placer le contexte le plus pertinent en tête.

Commencez simplement avec pgvector, mesurez la qualité de récupération sur des requêtes réelles, et ne faites évoluer l'infrastructure que lorsque les chiffres l'exigent. Si vous construisez une recherche IA ou du RAG et souhaitez aller vite sans sur-ingénierie de votre stack, contactez-nous.