Base de données vectorielle

Une base de données vectorielle ne compare pas seulement les mots exacts. Chaque passage est transformé en une liste de nombres, appelée embedding, qui représente certains rapprochements de sens. La question de l’utilisateur est transformée de la même façon. L’index recherche ensuite les vecteurs voisins et renvoie les passages, leurs identifiants et leurs métadonnées.

La proximité calculée n’est pas un jugement de vérité. Deux textes peuvent se ressembler mathématiquement tout en traitant d’exceptions différentes. C’est pourquoi le découpage des documents, le choix des champs conservés et les filtres métier influencent autant le résultat que le modèle d’embeddings. Un extrait doit pouvoir être relié à sa source, à sa version et à sa date de publication.

1. Extraire les documents autorisés depuis leur source de référence.
2. Les découper en passages qui conservent assez de contexte pour être compris.
3. Associer à chaque passage son vecteur et ses métadonnées : type, langue, version, propriétaire ou droit.
4. Appliquer les filtres avant ou pendant la recherche, puis retourner les passages sélectionnés.

Une recherche utile peut combiner un terme précis et une similarité sémantique. Par exemple, une référence de contrat demande souvent une correspondance exacte, alors qu’une question formulée avec des mots différents bénéficie des vecteurs. La conception doit choisir cette combinaison selon le corpus réel, et non selon une promesse générale.

La base vectorielle est donc une brique de recherche. Elle ne remplace pas la gestion documentaire qui décide quel contenu est publié, corrigé ou retiré.

Dans un RAG, la base vectorielle sert à retrouver des extraits avant que le modèle ne rédige sa réponse. Son intérêt apparaît lorsque les utilisateurs emploient des formulations variées pour désigner une même procédure, une clause ou une solution. Un moteur lexical garde toutefois sa valeur pour les noms propres, les codes produit et les requêtes dont chaque mot compte.

La valeur ne vient pas du simple fait de vectoriser des fichiers. Elle vient d’un corpus dont le propriétaire, la qualité et le périmètre sont connus. Une équipe support peut, par exemple, indexer des guides approuvés, exclure les brouillons et filtrer les réponses selon le produit détenu par le client. Une direction juridique peut séparer les modèles internes des contrats accessibles à certains rôles.

• Définissez quelle source fait foi lorsque deux documents se contredisent.
• Conservez les métadonnées qui permettent d’exclure une version expirée.
• Synchronisez les suppressions, les changements de droits et les mises à jour de la source.
• Montrez les passages retrouvés pour que l’utilisateur puisse contrôler le contexte.

Une solution de chatbot IA et RAG doit vérifier la recherche avec des questions observées dans le métier. Elle doit aussi tester les demandes sans réponse, car un résultat approximatif peut être plus dangereux qu’une absence de résultat. L’intégration IA relie ensuite cette recherche aux outils existants sans recréer des règles d’accès imprécises dans une copie isolée.

Avant d’ajouter une base vectorielle, vérifiez si une recherche structurée sur des champs fiables ne répond pas déjà au besoin. La technologie doit suivre le problème de recherche, pas l’inverse.

Une base vectorielle peut exposer un passage proche mais inaccessible à l’utilisateur. Les droits ne doivent donc pas être appliqués après coup dans l’interface seulement. Ils doivent être portés par les métadonnées, testés avec des comptes aux profils différents et synchronisés lorsque l’accès à une source est retiré. Indexer une copie sans gérer son cycle de vie crée un risque de diffusion durable.

Le contenu évolue également. Une procédure remplacée doit cesser d’être retrouvée, un document supprimé doit être retiré de l’index, et un passage corrigé doit être recalculé avec ses nouveaux attributs. Le traitement des doublons mérite une règle explicite : sans elle, le même texte peut apparaître sous plusieurs versions et faire croire au modèle qu’une information est mieux étayée qu’elle ne l’est.

• Constituez un jeu de requêtes avec les formulations réelles et les réponses attendues.
• Évaluez les extraits ramenés avant d’évaluer le texte généré par le modèle.
• Suivez les requêtes sans résultat, les résultats obsolètes et les filtres qui excluent trop largement.
• Documentez la procédure de suppression et la personne responsable de chaque corpus.

Nous déconseillons un index unique pour des populations dont les droits sont incompatibles, sans contrôle robuste et vérifié. Un audit IA peut examiner les sources, les données sensibles et les parcours d’accès avant la construction. L’objectif est de retrouver un passage pertinent pour la bonne personne, pas de rendre l’ensemble du patrimoine documentaire interrogeable sans distinction.

Une fois le service en place, les retours utilisateurs servent à enrichir les cas de test et à identifier les documents qu’il faut corriger à la source plutôt que contourner par un réglage de similarité.