Qdrant

Ce que fait la base

Qdrant stocke des vecteurs, c'est-à-dire des représentations numériques de textes produites par un modèle d'embedding. Chaque document découpé en passages devient un point dans un espace à plusieurs centaines de dimensions. La base répond à une question simple : quels points sont les plus proches de celui que je fournis ? Cette recherche par similarité ne dépend pas des mots exacts, ce qui permet de retrouver un passage pertinent même lorsque la question emploie un vocabulaire différent.

L'outil ajoute ce qu'une bibliothèque de calcul ne propose pas : persistance sur disque, filtres sur des champs, mise à jour des collections et service accessible par le réseau. On peut par exemple restreindre la recherche aux documents d'un client, d'une année ou d'une catégorie, en combinant similarité et critères classiques. Ces fonctions comptent dès que le corpus dépasse quelques milliers de passages ou que plusieurs applications doivent interroger le même index, ce qui arrive vite dans un déploiement documentaire partagé entre plusieurs services.

Pourquoi une base dédiée

Un moteur de recherche classique indexe des mots ; une base vectorielle indexe des proximités de sens. Les deux approches sont complémentaires, et beaucoup de systèmes combinent une recherche lexicale et une recherche sémantique avant de fusionner les résultats. Cette hybridation améliore nettement le rappel sur des corpus techniques, où les références exactes comptent autant que les reformulations. Elle demande toutefois un réglage soigné des pondérations entre les deux sources.

Le choix d'une base dédiée se justifie quand le volume, la concurrence d'accès ou les besoins de filtrage dépassent ce qu'un simple fichier d'index permet de gérer. Pour un prototype sur quelques centaines de pages, une bibliothèque locale suffit souvent et évite d'exploiter un service supplémentaire. La montée en charge se décide sur des mesures : temps de réponse, volume, fréquence de mise à jour du corpus, nombre d'utilisateurs simultanés attendus, et sur le temps d'exploitation que l'équipe peut réellement consacrer au service.

Exploitation

Auto-héberger Qdrant suppose de gérer un service de plus : sauvegarde des collections, surveillance de l'espace disque, mise à jour de version, contrôle d'accès. Les vecteurs occupent de la place, et un corpus qui grossit sans purge finit par peser. Il faut aussi prévoir la réindexation complète lorsqu'on change de modèle d'embedding, car les anciens vecteurs ne sont plus comparables aux nouveaux : c'est un point souvent sous-estimé dans les projets documentaires, où la réindexation est souvent planifiée après coup.

Un déploiement interne présente l'avantage de garder les documents et les vecteurs dans le périmètre de l'entreprise, ce qui simplifie les échanges avec un client ou une collectivité sur la confidentialité. Il faut en contrepartie assumer l'exploitation, avec un accès réseau restreint et une authentification. Pour une PME ou une collectivité antillaise, la question n'est pas la performance brute mais la capacité à tenir le service dans la durée, avec les compétences disponibles.