Si vous avez lu des choses sur le RAG, la recherche IA ou les recommandations, vous avez sans doute croisé le terme base de données vectorielle. Voici la version claire. Une base de données vectorielle stocke les données sous forme de vecteurs - des listes de nombres qui capturent le sens - et trouve les éléments par similarité, pas par correspondance exacte. Cette seule idée est ce qui donne à la recherche IA moderne l'impression de vous comprendre.
Ce qu'est vraiment une base de données vectorielle
Les bases classiques excellent dans les questions exactes : trouver l'utilisateur avec cet ID, ou toutes les commandes de la semaine dernière. Elles peinent sur « trouve-moi des choses qui veulent dire la même chose ». Une base de données vectorielle est conçue exactement pour ça.
Elle s'appuie sur les embeddings - les empreintes numériques qu'un modèle d'IA attribue au texte, aux images ou à l'audio. Les éléments de sens proche obtiennent des vecteurs qui se situent près les uns des autres. La base stocke ces vecteurs et, lors d'une recherche, renvoie ceux qui sont les plus proches de votre requête.
Comment fonctionne la recherche par similarité
Le déroulé tient en trois étapes :
- Embedding. Un modèle d'embedding transforme chaque document, image ou phrase en vecteur.
- Indexation. La base stocke ces vecteurs dans un index spécial (comme HNSW ou IVF) pour pouvoir explorer de grands ensembles rapidement.
- Requête. Votre recherche est elle aussi transformée en vecteur. La base renvoie les vecteurs les plus proches par distance.
Ainsi, une recherche pour « comment réinitialiser mon mot de passe » peut faire remonter un article intitulé « récupérer un identifiant oublié ». Les mots diffèrent, mais le sens - et les vecteurs - sont proches.
Base de données vectorielle vs base classique
Elles résolvent des problèmes différents, et la plupart des applications réelles utilisent les deux. Une base relationnelle contient vos enregistrements structurés et répond aux requêtes exactes. Une base vectorielle répond à « qu'est-ce qui ressemble le plus à ceci ? ». Vous gardez les lignes clients dans l'une et le sens recherchable dans l'autre. Des outils comme pgvector permettent même d'ajouter la recherche vectorielle à une base PostgreSQL classique, pour que les deux vivent au même endroit.
Pourquoi c'est important pour l'IA
Une base de données vectorielle est le moteur de récupération derrière une bonne partie de l'IA. Elle alimente la recherche sémantique, les recommandations de produits et de contenus et - surtout - l'étape de récupération dans le RAG, où un assistant va chercher le texte pertinent avant de répondre. Sans recherche par similarité rapide sur les embeddings, aucune de ces fonctionnalités ne serait viable à grande échelle.
Comment la recherche reste rapide : le plus proche voisin approché
Comparer le vecteur de votre requête à chacun des vecteurs stockés - une recherche du plus proche voisin exacte - est précis mais lent dès que vous avez des millions d'éléments. Les bases vectorielles s'appuient donc sur des algorithmes de plus proche voisin approché (ANN). L'ANN échange un tout petit peu de précision contre un gain de vitesse énorme : au lieu de vérifier chaque vecteur, il parcourt une structure d'index astucieuse qui lui donne presque les correspondances les plus proches, vite.
Deux familles d'index font l'essentiel du travail :
- HNSW (Hierarchical Navigable Small World) construit un graphe en couches que l'on traverse rapidement. C'est le choix par défaut le plus courant - bon rappel, faible latence, plus de mémoire.
- IVF (Inverted File) regroupe les vecteurs en compartiments et ne fouille que les plus proches. Il passe à l'échelle sur de très grands ensembles et consomme moins de mémoire, souvent couplé à une compression (PQ) pour réduire la taille des vecteurs.
Le réglage que vous ajustez est le rappel contre la latence : demandez un rappel plus élevé (davantage des vrais plus proches voisins) et la recherche travaille davantage. La distance se mesure avec une métrique - généralement la similarité cosinus (l'angle entre les vecteurs), le produit scalaire ou la distance euclidienne (L2) - et le modèle d'embedding que vous utilisez impose en général laquelle est correcte.
Les bases de données vectorielles courantes - et laquelle choisir
Il n'y a pas une seule « meilleure » option ; le bon choix dépend de l'échelle, du fait de vouloir un service géré ou de l'héberger soi-même, et du besoin d'avoir les vecteurs à côté de données relationnelles existantes. Les choix répandus en 2026 :
| Base | Modèle | Bon choix quand… |
|---|---|---|
| pgvector | Extension PostgreSQL | Vous utilisez déjà Postgres et voulez les vecteurs à côté de vos données classiques - une seule base, pas de service en plus. |
| Chroma | Open source, intégrable | Prototypage ou petite application ; rapide à démarrer en local. |
| Qdrant | Open source, auto-hébergé ou géré | Vous voulez un filtrage riche par métadonnées et de bonnes performances en gardant la main sur l'hébergement. |
| Weaviate | Open source, auto-hébergé ou géré | Vous voulez des modules intégrés (recherche hybride, vectorisation) et une approche orientée schéma. |
| Milvus | Open source, conçu pour l'échelle | Très grandes collections (des centaines de millions et plus) et fortes charges. |
| Pinecone | Entièrement géré (propriétaire) | Vous voulez un service serverless clé en main, sans gérer d'infrastructure. |
Une règle simple : commencez par pgvector si vous utilisez déjà PostgreSQL, ou Chroma pour un prototype rapide ; passez à Qdrant, Weaviate ou Milvus quand vous avez besoin d'échelle, de filtrage ou de maîtriser l'hébergement ; choisissez Pinecone quand vous voulez un service géré sans exploitation. La plupart des équipes utilisent aussi la recherche hybride - combinant similarité vectorielle et recherche par mots-clés classique - pour avoir le meilleur des deux.
En résumé
Une base de données vectorielle stocke le sens sous forme de vecteurs et trouve les éléments par similarité plutôt que par correspondance exacte. Elle ne remplace pas votre base classique - elle se place à côté d'elle et répond aux questions qu'une recherche par mots-clés n'a jamais pu traiter. Si vous construisez quoi que ce soit avec de la recherche sémantique ou du RAG, c'est la base de données vectorielle qui fait le gros du travail.
Guides associés : Qu'est.
