Base vectorielle

Ranger par le sens

Une base classique range des lignes et les retrouve par une clé ou par un mot contenu dans un champ. Une base vectorielle range des points dans un espace à plusieurs centaines de dimensions, où chaque point résume un morceau de texte. Deux passages traitant du même sujet se retrouvent proches, même s'ils n'emploient aucun mot commun. La recherche ne porte donc plus sur la forme des phrases mais sur leur voisinage de sens, ce qui change la nature des résultats obtenus.

Ce changement règle une difficulté ancienne. Un client écrit que sa facture est trop élevée, et le document interne parle de contestation de montant. Une recherche par mots-clés échoue, une recherche vectorielle rapproche les deux formulations. Elle ne comprend pas le sens au sens humain du terme, elle rapproche des textes qui apparaissent dans des contextes comparables. Cette nuance suffit dans beaucoup de cas et explique l'écart entre une démonstration réussie et un service utilisable au quotidien.

Comment une recherche aboutit

Le document est d'abord découpé en passages de taille raisonnable, puis chaque passage est transformé en vecteur par un modèle d'embedding. À la question posée, on applique le même modèle, et l'on demande à la base les passages dont les vecteurs sont les plus proches. La similarité se mesure le plus souvent par un cosinus, c'est-à-dire par l'angle entre deux vecteurs, ce qui donne un score comparable d'un passage à l'autre et permet de classer les résultats.

Le découpage pèse plus lourd que le choix du logiciel. Un passage trop court perd le contexte, un passage trop long dilue le sujet et remonte pour de mauvaises raisons. Les bons systèmes conservent un chevauchement entre passages, ajoutent les titres et parfois un résumé de section, et filtrent ensuite par métadonnées : date, service, type de document, niveau de confidentialité. Sans ces précautions, la base répond très vite, mais à côté de la question posée.

Choisir et exploiter

Le marché propose des moteurs spécialisés, des extensions pour bases relationnelles existantes et des bibliothèques qui tiennent entièrement en mémoire. Le choix dépend surtout du volume, du besoin de filtres et de la compétence disponible dans l'équipe. Une PME qui gère quelques milliers de documents peut se contenter d'une extension ajoutée à sa base habituelle, ce qui évite d'exploiter un service de plus et de dupliquer les sauvegardes existantes. Un moteur spécialisé se justifie plutôt au-delà de quelques dizaines de milliers de passages, ou lorsqu'il faut filtrer finement par métadonnées.

Deux points sont souvent négligés. Le premier est la mise à jour : lorsqu'un document change, son vecteur doit être recalculé, sinon la base renvoie une version périmée sans le signaler. Le second est l'évaluation : il faut un jeu de questions réelles avec les passages attendus, pour mesurer si la recherche remonte le bon contenu. Sans ce banc d'essai, on ne sait pas si un mauvais résultat vient du découpage, du modèle ou de la question.

Ce qu'elle ne remplace pas

Une base vectorielle ne garantit pas la véracité de ce qu'elle contient. Elle rapproche des textes, elle ne les arbitre pas. Si le corpus comprend deux procédures contradictoires, dont une ancienne, la recherche peut remonter la mauvaise avec le même score de confiance apparent. Le travail de curation, de datation et de retrait des documents obsolètes reste donc entièrement à la charge de l'organisation qui alimente la base, sans délégation possible.

Elle ne dispense pas non plus d'une recherche par mots-clés. Sur des références précises, un numéro de dossier, un nom propre ou un code article, la correspondance exacte reste plus fiable. Les montages sérieux combinent les deux approches et fusionnent les résultats avant de les transmettre au modèle. Cette hybridation demande un peu plus de réglages, mais elle évite les échecs visibles sur les requêtes que les utilisateurs posent le plus souvent dans la pratique.