Vector Store

  • Concept
  • Avancé
  • Transversal
  • Toujours utilisé

En bref

Base de données qui stocke des contenus sous forme de vecteurs numériques pour permettre une recherche par sens plutôt que par mots exacts.

Définition complète

Une base vectorielle (Vector Store) est une base de données spécialisée qui stocke des textes, images ou documents sous forme de « vecteurs », c’est-à-dire des séries de nombres qui représentent leur sens. Elle permet de rechercher non pas les mots exacts d’une requête, mais les contenus dont le sens est proche d’une question posée. C’est la brique technique qui permet à une IA de « chercher dans ses propres documents » avant de répondre.

Par exemple, une mairie numérise ses arrêtés municipaux dans une base vectorielle. Quand un agent demande « quelles sont les règles de stationnement pour les commerçants ? », le système retrouve les passages pertinents même s’ils n’utilisent pas exactement les mêmes mots, puis les transmet au modèle d’IA pour rédiger une réponse.

Attention : une base vectorielle n’est pas un moteur de recherche par mots-clés classique. Elle peut retrouver un document pertinent même sans correspondance exacte de vocabulaire, mais elle peut aussi se tromper si les documents sources sont mal découpés au départ.

À quoi ça sert

Une base vectorielle sert à connecter un modèle d’intelligence artificielle aux documents propres d’une organisation, plutôt que de le laisser répondre uniquement à partir de ses connaissances générales, souvent incomplètes ou datées sur des sujets internes.

Elle permet d’obtenir des réponses plus fiables et vérifiables, puisque le modèle s’appuie sur de vrais documents identifiés, qu’on peut ensuite consulter pour contrôler l’exactitude de la réponse donnée.

Pour une entreprise, elle offre un moyen concret de rendre exploitable une grande masse de documents internes (archives, procédures, contrats), sans que chaque salarié ait besoin de savoir précisément où chercher.

Cas d'usage typiques

– Consulter : une mairie retrouve rapidement la règle applicable dans ses arrêtés municipaux archivés ? Bénéfice : réponse plus rapide aux demandes des citoyens.
– Rechercher : un cabinet d’avocats retrouve la jurisprudence ou le précédent le plus pertinent pour un dossier ? Bénéfice : gain de temps important sur la recherche documentaire.
– Documenter : une PME retrouve la bonne procédure interne parmi des dizaines de documents existants ? Bénéfice : moins d’erreurs liées à une procédure obsolète ou mal identifiée.
– Assister : un service client retrouve automatiquement la bonne fiche produit ou la bonne réponse type dans sa documentation ? Bénéfice : réponses plus rapides et plus cohérentes.
– Archiver : une association retrouve un ancien compte rendu ou une ancienne décision sans devoir tout relire manuellement ? Bénéfice : mémoire collective plus accessible.

Ce que tu sauras faire

Comprendre le rôle d'une base vectorielle pour évaluer un projet qui vise à connecter une intelligence artificielle aux documents internes d'une organisation.

Mises en situation

Situation 1 : une mairie et ses arrêtés municipaux

Contexte : Une mairie possède des années d’arrêtés municipaux, difficiles à retrouver rapidement pour répondre à une demande précise d’un citoyen.

Application : Les arrêtés sont intégrés à une base vectorielle, ce qui permet à un agent de retrouver le bon passage même en formulant sa question avec ses propres mots.

Résultat attendu : Un temps de réponse nettement réduit pour les demandes courantes des citoyens.

Situation 2 : un cabinet d’avocats et la jurisprudence

Contexte : Un cabinet d’avocats passe un temps important à rechercher les précédents pertinents pour chaque nouveau dossier.

Application : Une base vectorielle des dossiers passés et de la jurisprudence pertinente aide à retrouver rapidement les éléments comparables à un nouveau cas.

Résultat attendu : Un gain de temps significatif sur la phase de recherche, avant vérification finale par l’avocat.

Situation 3 : une PME et ses procédures internes

Contexte : Une PME a accumulé de nombreuses procédures internes, difficiles à retrouver pour les nouveaux salariés.

Application : Les procédures sont intégrées à une base vectorielle, consultable par un assistant IA qui aide chaque salarié à retrouver la bonne consigne.

Résultat attendu : Moins d’erreurs liées à une procédure mal connue ou obsolète, notamment chez les nouveaux arrivants.

Application guidée : identifier les documents à intégrer

Contexte : Une association souhaite créer une base vectorielle mais possède des centaines de documents de nature très différente (comptes rendus, statuts, correspondances).

Question : Comment prioriser les documents à intégrer en premier ?

Résultat attendu : Prioriser les documents les plus consultés et les plus stables dans le temps (statuts, procédures de référence), plutôt que des documents ponctuels ou rapidement obsolètes, pour un premier projet plus simple à évaluer.

Application guidée : comparer recherche par mots-clés et recherche vectorielle

Contexte : Un cabinet compare deux méthodes de recherche sur la même question, formulée avec des mots différents de ceux utilisés dans le document source : une recherche classique par mots-clés, et une recherche vectorielle.

Question : Laquelle des deux méthodes retrouve le document pertinent, et pourquoi ?

Résultat attendu : La recherche par mots-clés échoue si aucun mot exact ne correspond, tandis que la recherche vectorielle retrouve le document pertinent en s’appuyant sur la proximité de sens, ce qui illustre l’intérêt principal de cette technologie.

Pour bien le retenir

L'analogie

Une base vectorielle, c’est comme un bibliothécaire qui classerait les livres non pas par ordre alphabétique de titre, mais par proximité de sujet : on lui demande un livre « sur les volcans » et il propose aussi un livre sur les séismes, parce qu’il a compris que les sujets sont voisins, même si le mot exact n’apparaît pas.

« La base vectorielle range les documents par sens, pas par mots exacts. »

Pièges à éviter

À ne pas confondre avec

Une confusion fréquente consiste à confondre base vectorielle et simple moteur de recherche interne par mots-clés : les deux servent à retrouver un document, mais leur fonctionnement et leurs résultats peuvent être très différents.

Une autre erreur consiste à croire que la qualité des réponses dépend uniquement du modèle d'IA utilisé, alors qu'elle dépend fortement de la qualité du découpage et de la préparation des documents intégrés à la base vectorielle.

Évolution historique

Apparition : Technique ancienne en recherche d'information, démocratisée dans les projets d'IA depuis 2022-2023

Quels changements depuis l’arrivée de l’IA ?

Avant

La recherche vectorielle existait déjà en informatique avant l’IA générative grand public, mais elle était surtout utilisée par des spécialistes, par exemple pour la recherche d’images similaires.

Aujourd’hui

Avec le besoin de connecter les modèles d’IA générative aux documents propres à chaque entreprise, les bases vectorielles sont devenues un composant central et largement démocratisé de nombreux projets d’IA.

Évolution historique

Avant les années 2020 : usage confidentiel, surtout en recherche académique et dans certains moteurs de recherche d’images.

2022 : essor de l’IA générative et apparition du besoin de connecter les modèles à des documents privés d’entreprise.

2023 : popularisation de la technique dite RAG (recherche dans des documents avant réponse) et multiplication des bases vectorielles commerciales.

2024 : intégration native des bases vectorielles dans de nombreux outils professionnels.

Aujourd’hui : composant quasi standard des projets d’IA documentaire en entreprise.