Comme pour les autres types de données, vous devez disposer d'un index pour interroger efficacement un grand nombre de vecteurs. De plus, les bases de données vectorielles acceptent des index spécialisés pour les vecteurs. Contrairement à de nombreux autres types de données (comme le texte ou les nombres), qui ont un ordre logique unique, les vecteurs n'ont pas un ordre naturel qui correspond à des cas d'utilisation pratiques. Au lieu de cela, le cas d'utilisation le plus courant consiste à rechercher les vecteurs k les plus proches d'un autre vecteur en termes de métrique de distance, comme le produit scalaire, la similarité cosinus ou la distance euclidienne. Ce type de requête est appelé requête "voisins k (exacts) les plus proches" ou "KNN".

Malheureusement, il n'existe pas d'algorithme général pour des requêtes KNN efficaces. Pour s'assurer de trouver les voisins k les plus proches d'un vecteur donné, q, il faut calculer la distance entre q et tout autre vecteur. Cependant, il existe des algorithmes efficaces pour trouver les voisins k les plus proches ("ANN") approximatifs. Ces algorithmes ANN offrent une certaine précision (en particulier le rappel, qui peut omettre certains des voisins les plus proches) pour améliorer considérablement la vitesse. Étant donné que de nombreux cas d'utilisation considèrent déjà le calcul des embeddings de vecteurs imprécis, ils peuvent souvent tolérer une perte de rappel en échange d'une nette amélioration des performances.

Pour activer les requêtes ANN de vecteurs basées sur la distance par rapport à un autre vecteur, un index vectoriel est structuré de manière à ce que les clusters de vecteurs proches soient généralement regroupés. Les types d'indices vectoriels courants peuvent être structurés sous la forme d'un ensemble de listes, dans lesquelles chaque liste représente les vecteurs d'un cluster donné ; d'un graphe dans lequel chaque vecteur est connecté à plusieurs de ses voisins les plus proches ; d'arbres dont les branches correspondent à des sous-ensembles du cluster du nœud parent, et bien plus encore. Chaque type d'index fournit des compromis entre la vitesse de recherche, le rappel, la consommation de mémoire, le temps de création de l'index et d'autres facteurs.

Cependant, la plupart des requêtes de base de données ne sont pas seulement basées sur la similarité sémantique. Par exemple, un utilisateur peut rechercher un livre dont la description est "histoire touchante sur un enfant et un chien", mais il peut également vouloir limiter cette recherche aux livres de moins de 20 $ disponibles au format broché. Les bases de données vectorielles à usage spécifique peuvent fournir une capacité de filtrage supplémentaire limitée (parfois appelée "restriction") tandis que les bases de données à usage général peuvent composer des prédicats riches à l'aide de langages standards tels que SQL, qui peuvent être associés à l'ordre de similarité vectorielle pour permettre des requêtes très puissantes et expressives.

La capacité des embeddings à représenter le sens sémantique des données non structurées, combinée à la capacité des bases de données vectorielles à rechercher efficacement les vecteurs proches, ouvre de nombreux cas d'utilisation importants :

• Rechercher dans l'historique des discussions des messages pertinents pour la conversation en cours, permettant ainsi aux chatbots optimisés par l'IA d'avoir de la "mémoire"
• Trouver des extraits vidéo issus d'une vaste archive de diffusions sportives qui correspondent à une description simple du type "Saut par-dessus un défenseur pour rattraper le ballon et marquer un touchdown"
• Trouver des produits semblables à un produit qu'un utilisateur a déjà acheté et qui correspondent aux préférences de prix et de style de cet utilisateur
• Rechercher des documents pertinents pour une tâche (par exemple, "remplacer le filtre d'un aspirateur") afin qu'un assistant basé sur l'IA puisse fournir une réponse factuelle pertinente

Les bases de données vectorielles sont importantes, car elles peuvent être utilisées pour résoudre divers problèmes difficiles ou impossibles à résoudre avec des prédicats relationnels ou des techniques de recherche de texte seules.

Les bases de données vectorielles sont parfaitement adaptées aux applications d'IA générative, car elles facilitent la récupération de contextes critiques métier et applicatifs, tels que l'historique des discussions ou le contenu non structuré propre à l'entreprise, afin d'aider les LLM à répondre à une requête utilisateur complexe.

Elles peuvent également faciliter la recherche de contenu en langage naturel ou la requête par exemple.