Les bases de données vectorielles (Vector Database) sont des systèmes de stockage, d'indexation et de récupération destinés aux vecteurs d'incorporation. Elles excellent à répondre à la question « quels vecteurs sont les plus proches de la requête ? » et sont couramment utilisées pour la recherche sémantique, la recommandation, la déduplication et la recherche multimodale, constituant également un composant fondamental fréquent des applications de génération augmentée par la récupération (RAG). Leur relation avec les bases de données traditionnelles n'est pas exclusive : certaines bases de données relationnelles et moteurs de recherche prennent déjà en charge les types vectoriels, les requêtes de similarité ou les index vectoriels.

Ce domaine n'est pas apparu de nulle part : la recherche basée sur l'incorporation dispose d'une longue base de recherche, et l'histoire de la recherche de similarité est encore plus ancienne. Les systèmes intégraient souvent l'indexation vectorielle dans les bases de données relationnelles ou les systèmes de recherche. L'équipe de Zilliz a présenté dans un article SIGMOD de 2021, 《Milvus: A Purpose-Built Vector Data Management System》, la conception d'un système dédié à la gestion des données vectorielles. Une revue de 2023, 《Survey of Vector Database Management Systems》, a examiné cette catégorie et indiqué qu'il existait déjà plus de 20 systèmes commerciaux de bases de données vectorielles ; cela ne signifie pas que tous ces systèmes sont apparus après 2021.

Cependant, qu'il s'agisse de Milvus, open source en 2019, ou des nombreux systèmes similaires apparus par la suite, tous font face à un ensemble commun de défis techniques. Ces systèmes doivent surmonter cinq obstacles principaux : l'ambiguïté de la similarité sémantique, la taille élevée des vecteurs, le coût élevé des calculs de similarité, l'absence de partitionnement naturel, et les requêtes mixtes combinant « conditions sur les attributs + similarité vectorielle ». Les approches d'ingénierie correspondantes incluent l'utilisation de la compression par quantification pour réduire les coûts de stockage et de calcul, l'utilisation d'index graphiques (comme HNSW) pour accélérer la recherche des voisins les plus proches, et l'utilisation d'optimiseurs de requêtes et de moteurs d'exécution pour traiter les filtres et les agrégations. Dans les scénarios à grande échelle, les systèmes adoptent souvent des index de voisins les plus proches approximatifs (ANN), faisant des compromis entre rappel et latence ; toutefois, la recherche vectorielle peut également utiliser une recherche exacte, ce qui rend inexacte l'affirmation selon laquelle « l'indexation vectorielle est nécessairement approximative ». En 2023, la revue de Pan, Wang et Li, 《Survey of Vector Database Management Systems》, a réalisé une synthèse systématique de cette catégorie. C'est grâce à ces avancées en ingénierie que la « sémantique » est passée d'un concept vague à une infrastructure indexable et extensible.

[JIALIU_0]