Bonjour à tous et bienvenue dans un nouvel épisode de Microsoft Knowledge Nugget sur M365FM. Femme, je suis votre hôte Mirko Peters. Le sujet du jour est un sujet dont presque tout le monde a entendu parler, mais que très peu de gens comprennent réellement. Les bases de données vectoriales. Vous avez probablement déjà vu ce terme dans des articles sur l'IA ou l'avez entendu dans des conversations sur Copilot et ChatGPT. Et qu'est-ce qu'une base de données vectoriale exacte ? S'agit-il simplement d'une base de données ordinaire avec un nom plus sophistique ? S'agit-il de quelque chose de complètement différent ? Imaginez que vous recherchiez une veste rouge sur un site de commerce électronique et que vous obteniez des résultats indiquant manteau cramoisi, cramoisi, cramoisi, cramoisi, etc. Comment l'ordinateur sait-il qu'il s'agit de la même chose ? Il ne fait pas correspondre les mots-clés. Cramoisi n'est pas rouge et manteau n'est pas veste. Pourtant, le moteur de recherche comprend qu'ils sont liés et c'est la recherche vectorielle en action. A la fin de cet épisode, vous comprendrez ce que sont réellement les bases de données vectoriales, pourquoi elles alimentent la recherche par l'IA et Copilot et comment elles s'intègrent dans le cloud de Microsoft. Nous restons simples. Pas de mathématiques, pas de jargon, juste des éléments de base clairs. Qu'est-ce qu'un vecteur ? Qu'est-ce qu'un vecteur exactement ? Lorsque la plupart des gens entendent le mot vecteur, ils imaginent une flèche tirée d'un cours de physique, sa direction et sa magnitude. En informatique, c'est beaucoup plus sain. Un vecteur n'est en réalité qu'une liste de nombres. Un tableau unidimensionnel qui représente quelque chose dans un format que l'ordinateur peut traiter. Voici une façon pratique de le représenter. Si je vous disais de me retrouver au troisième étage, dans l'aile B, salle 12, ce sont trois nombres décrivant un emplacement spécifique. C'est un vecteur tridimensionnel qui vous indique exactement où se trouve quelque chose dans un bâtiment. Imaginez maintenant que j'ajoute plus d'adétal. La couleur de la porte, la taille de la pièce, le prix au mètre carré. Chaque nouveau détail devient une autre dimension. Ainsi, plus vous créez des dimensions, plus vous pouvez capturer d'informations sur cet objet. Une voiture pourrait être décrite par sa vitesse, son kilométrage, son prix, son poids et son indice de sécurité. C'est un vecteur à cinq dimensions. Un produit pourrait être décrit par des centaines de caractéristiques, ce qui vous donne un vecteur à grande dimension. Voici le truc. Les vecteurs nous permettent de transformer des choses en nombres que les ordinateurs ne peuvent pas. Les mots, les images, les sons, les documents, tout peut devenir une liste de nombres. Une fois que tout est devenu des nombres, vous pouvez commencer à mesurer à quel point deux choses sont similaires. Deux pièces au même étage avec des couleurs de portes similaires finissent par être proches l'une de l'autre dans l'espace vectoriel. Et deux produits avec des fonctionnalités similaires se regroupent également. Cette idée simple est ce qui rend possible la recherche par IA moderne. Des vecteurs représentation vectorielle continue, tous les vecteurs ne sont pas identiques. Il existe un type particulier appelé représentation vectorielle continue et c'est là que résiste toute cette pièce. Qu'est-ce qu'une représentation vectorielle continue ? Une représentation vectorielle continue est un vecteur qui représente un modèle d'apprentissage automatique comme la représentation vectorielle continue d'Azure OpenAI et il lit le texte et le place dans un espace à haute dimension. Le modèle a appris à partir de milliards d'exemples, il comprend donc comment les mots sont liés. Le roi et la reine finissent par être proches l'un de l'autre parce qu'ils partagent un contexte similaire. Le roi et le café finissent par être très éloignés l'un de l'autre parce qu'ils ne partagent pas le contexte. Voici ce que cela signifie en termes simples. Lorsque vous recherchez veste rouge, le système trouve manteau cramoisi. Le modèle d'intégration reconnaît que rouge et cramoisi ont une signification proche et que veste et manteau le sont également. Les intégrations de ces deux expressions deviennent voisines dans l'espace vectoriel. L'ordinateur ne fait plus correspondre les lettres, fait correspondre le sens. Laissez-moi vous donner un exemple classique. Prenez le vecteur du roi, soustrayez le vecteur de l'homme et ajoutez le vecteur de la femme. Le résultat est très proche du vecteur de la reine. Roi moins homme plus femme égale reine. Cela peut sembler magique, mais c'est en réalité la manière dont le modèle transforme les relations en nombre. Il a appris que le roi et la reine partagent une relation similaire à celle entre l'homme et la femme et cette relation est codée dans les coordonnées. Ainsi, les modèles d'intégration prennent vos données brutes, qu'il s'agisse de textes, d'images ou d'audios, et les convertissent en une liste de nombres qui représentent leur signification. Ces nombres deviennent des coordonnées dans un espace à haute dimension. Ensuite, lorsque vous effectuez une recherche, votre requête est convertie dans le même type de coordonnées. Il suffit de mesurer la distance entre elles. C'est l'idée centrale. Pourquoi les bases de données traditionnelles sont-elles insuffisantes ? Si les représentations vectorielles continuent sont si puissantes, pourquoi ne pouvons-nous pas simplement utiliser les données classiques ? Répondons à cette question. Les bases de données SQL traditionnelles sont conçues pour des correspondances exactes. Vous écrivez où la couleur est égale au rouge, et elle trouve toutes les lignes où la colonne de couleur est littéralement égale au rouge. Cela fonctionne très bien pour les données structurées telles que les noms de clients, les dates de commande ou les prix des produits, mais cela ne fonctionne pas du tout lorsque vous avez besoin d'une signification floue. Essayez d'écrire une requête SQL qui trouve du code cramoisi, alors que vos données ne disent que Veste Bordeaux. Vous ne pouvez pas, car SQL ne comprend pas les concepts. Les bases de données traditionnelles stockent les données en ligne et en colonne. Elles sont optimisées pour les jointures, les agrégations et les recherches exactes. Elles ne savent pas que voitures et automobiles sont la même chose. Elles ne savent pas qu'excitées ravisent. Ce sont des émotions similaires. Elles correspondent simplement à des chaînes de carrément. Et si vos données ne sont pas structurées, comme des PDF, des images, des enregistrements audios ou de longs documents, les bases de données traditionnelles peuvent les stocker sous forme de blob. Elles les stockent sous forme de blob, mais elles ne peuvent pas vraiment rechercher leur contenu. Vous auriez besoin d'une recherche en texte intégrale qui repose toujours sur la correspondance de mots-clés. Si l'utilisateur tape rapport budgétaire, mais que le document indique résumé financier, la recherche par mots-clés ne le trouve pas du tout, ne le trouve pas du tout. Voyez les choses de cette façon. Une base de données classique est comme un classeur. Vous devez connaître le nom exact du fichier pour trouver ce que vous recherchez. Une base de données vectorielle est comme un bibliothécaire qui comprend ce que vous voulez dire. Vous pouvez dire car j'ai besoin de ce document sur les dépenses du dernier trimestre. Et le bibliothécaire sait exactement quel dossier extraire, même si le dossier est intitulé résumé financier du troisième trimestre. Le bibliothécaire comprend l'intention, pas seulement les étiquettes. C'est pourquoi les bases de données vectorielles existent. Elles stockent les représentations vectorielles continues, ces vecteurs de capture de sens, et les indexent d'une manière qui accélère la recherche de similarités. Elles ne remplacent pas les bases de données traditionnelles. Ils ajoutent une couche de compréhension par-dessus et cette couche change tout. Ils ajoutent une couche de compréhension par-dessus et cette couche change tout. Comment fonctionnent les bases de données vectorielles ? Alors comment tout cela fonctionne-t-il en coulisses ? Examinons les deux phases principales, l'ingestion et la requête. L'ingestion et la phase de configuration. Vous prenez vos données brutes, vos descriptions de produits, vos tickets d'assistance, vos documents internes, tout ce que vous avez, et vous soumettez chaque élément à ce que l'on appelle un modèle d'intégration. Ce modèle transforme le texte en un vecteur, qui est en gros une liste de nombres qui capture le sens. Ensuite, vous stockez ce vecteur dans la base de données avec des métadonnées, le texte original, un horodatage, peut-être une catégorie ou une URL source. Maintenant, voici la partie intelligente. Si vous aviez un million de documents, vérifiez chaque vecteur un par un prendrait une éternité. C'est pourquoi mes bases de données utilisent ce qu'on appelle l'indexation. Pensez à l'indexation comme à la création d'une carte de l'espace vectoriel au lieu de frapper à chaque porte. Deux méthodes courantes sont l'IVF et le HNSW. IVF signifie index de fichiers inversés. Il fonctionne en regroupant les vecteurs similaires en groupe. Lorsque vous effectuez une recherche, au lieu de parcourir tous les millions de vecteurs, vous ne vérifiez que les groupes les plus prometteurs. C'est comme chercher un livre dans une bibliothèque. Vous vous dirigez directement vers la bonne section au lieu de parcourir toutes les étagères. HNSW signifie Hierarchical Navigable Small World. L'idée est assez élégante. Il construit une carte multicouche de vos vecteurs. La couche supérieure contient quelques vecteurs représentatifs qui vous donnent une idée approximative de l'emplacement des choses. Chaque couche en dessous devient plus détaillée. Lorsque vous effectuez une recherche, vous commencez par le haut, trouvez le quartier général, puis explorez couche par couche jusqu'à trouver la correspondance exacte. Exact. C'est comme utiliser d'abord un plan de ville, puis un plan de quartier, puis un plan de rue. Chacun vous rapproche. Le résultat est que vous pouvez rechercher des millions de vecteurs dans un copilote et obtenez une réponse en quelques secondes. Quelque part, une base de données vectorielle vient d'effectuer une recherche de similarité dans des milliers ou des millions de documents. La phase de requête fonctionne de la même manière, mais en sens inverse. Vous saisissez votre question. Cette question est convertie en vecteur en utilisant exactement le même modèle d'intégration. La base de données trouve ensuite les voisins les plus proches de votre vecteur de requête à l'aide de l'index. Elle renvoie les résultats les plus similaires classés par distance. Plus les vecteurs sont proches, plus le résultat est pertinent. L'écosystème Microsoft où vivent les vecteurs. Alors où tout cela se trouve-t-il dans le monde Microsoft ? La réponse courte est partout. Microsoft ajoute des fonctionnalités vectorielles aux plateformes de données que vous utilisez déjà au lieu de vous pousser vers une base de données spécialisées distinctes. Passons en revue les principales. Azure AI Search est le magasin de vecteurs le plus courant pour les données d'entreprise. Il s'agit de la génération augmentée de récupération. Il prend en charge la recherche hybride, ce qui signifie qu'il combine la correspondance de mots-clés traditionnels avec la similarité vectorielle. Pourquoi est-ce important ? Parce que certaines recherches fonctionnent mieux avec des mots-clés, des codes de produits exacts, des noms, des dates, tandis que d'autres nécessitent une compréhension sémantique. La recherche hybride vous offre les deux. Azure AI Search inclut également la vectorisation intégrée, ce qui vous permet de configurer un pipeline qui segmente automatiquement les documents, génère des intégrations et les index sans écrire de code personnalisé. Cosmos DB propose désormais une recherche vectorielle native avec indexation à disque. ANN sur disque signifie « Quakeupaceproche approximative basée sur disque Pac-B et est conçu pour une latence inférieure à 20 millisecondes même à grande échelle. C'est une excellente solution pour les données opérationnelles qui résident déjà dans Cosmos DB. Imaginons que vous développiez une application de commerce électronique avec Cosmos DB comme backend. Vous pouvez désormais ajouter la recherche vectorielle directement à votre catalogue de produits sans déplacer les données vers un service distinct. Un client recherche des chaussures d'été légère et votre application trouve des produits avec des descriptions similaires, le tout dans votre base de données existantes. Azure SQL Server 2025 et Azure SQL Database ont également rejoint la fête. Ils incluent désormais un type de données vectorielles natifs et des fonctions telles que la recherche vectorielle. Cela signifie que vous pouvez stocker des intégrations directement à côté de vos données relationnelles. Des enregistrements clients avec des représentations vectorielles de leurs préférences, des articles en stock avec des descriptions vectorielles, des tickets d'assistance avec des intégrations vectorielles de leurs contenus. Vous n'avez pas besoin d'une base de données vectorialistes. Vos compétences SQL existantes s'appliquent toujours. Ajoutez simplement une colonne vectorielle, créez un index et commencez à interroger par similarité. Voici comment Copilote utilise cela en coulisses. Lorsque vous demandez « Montrez-moi le rapport des ventes du troisième trimestre de l'année dernière. Copilote ne recherche pas l'expression exact rapport des ventes du troisième trimestre exact rapport des ventes. » Il convertit votre question en vecteur, effectue une recherche dans les documents d'index, les emails, les fichiers SharePoint, les documents OneDrive, les discussions Teams et trouve le document dont l'incorporation est la plus proche de votre requête. Il peut trouver un fichier intitulé « Cac-assumé financier » du troisième trimestre 2024, car la signification corresponde, même si les mots exacts ne correspondent pas. C'est la recherche vectorielle en action. L'idée clé ici, la stratégie de Microsoft. Au lieu de dire « Allez acheter une base de données vectorielles spécialisée » ils ajoutent des fonctionnalités vectorielles aux outils que vous utilisez déjà. Azure AI Search, Cosmos DB, SQL Server, ils parlent tous les vecteurs et désormais, vous n'avez pas besoin d'apprendre un nouveau système. Vous devez juste comprendre le concept et Microsoft s'occupe du gros du travail. Cas d'utilisation concrète de l'IA Alors, où voyez-vous réellement les bases de données vectorielles à l'œuvre aujourd'hui ? Voici comment cela se passe dans le monde. RG est le plus important. Cela signifie génération augmentée de récupération aiguée et c'est ainsi que la plupart des IA d'entreprise fonctionnent désormais. Lorsque vous posez une question à un chatbot, il ne devine pas à partir de ces données d'entraînement. Au lieu de cela, il recherche dans une base de données vectorielles les documents pertinents, récupère les correspondances les plus proches et les transmet au modèle linguistique en tant que contexte. Le modèle construit ensuite une réponse à partir de ces documents réels. Cela signifie des réponses précises sur les politiques, les produits ou les données de votre entreprise. Sans base de données vectorielles, l'IA devinerait à partir de connaissances générales sur Internet. Avec elle, elle extrait directement vos fichiers réels. Les moteurs de recommandation sont un autre cas d'utilisation majeure. Netflix, Amazon, YouTube, ils fonctionnent tous de la même manière. Ils transforment les utilisateurs en vecteurs en fonction de leur comportement, de ce que vous regardez, achetez ou cliquez. Et ils transforment les éléments en vecteurs en fonction de descriptions, d'avis et de fonctionnalités. Ensuite, ils trouvent simplement les voisins les plus proches. Votre vecteur est proche d'un vecteur de film, il recommande ce film. C'est une recherche de similarité à grande échelle, exécutée des centaines de fois par seconde pour chaque utilisateur. La recherche sémantique est le troisième cas d'utilisation majeure. Il s'agit d'une recherche par signification et non par boucle. Un agent d'assistance tape à car le client ne peut pas se connecter après la réinitialisation du mot de passe et trouve un article intitulé qui est dépannage des échecs d'authentification après la mise à jour des informations d'identification. Les mots ne correspondent pas, mais la signification, c'est ce que permet la recherche vectorielle. Pour une équipe qui traite des centaines de tickets par jour, cela réduit considérablement le temps de résolution. Il y a ensuite la détection des anomalies, moins évidente mais puissante. Vous intégrez un comportement normal, des modèles de transactions typiques, des mesures système habituelles, des actions utilisateurs standards. Stocker ses vecteurs, puis signaler tout ce qui atterrit loin du cluster. Une transaction qui ne ressemble à rien à la normale, c'est une fraude. Une mesure de serveur qui sort de la plage habituelle, c'est un incident en préparation. Pour reste de données vectorielles, rendre cette opération suffisamment rapide pour s'exécuter en temps. Dans le monde de Microsoft, cela apparaît partout. PowerApps utilise la recherche vectorielle pour les suggestions d'IA lorsque vous créez des formulaires. Dynamics 365 l'utilise pour une recherche intelligente dans les enregistrements clients. Les transcriptions des réunions d'équipe sont transformées en vecteurs. Vous pouvez donc rechercher qu'avons-nous décidé concernant le budget et trouver le moment exact dans un enregistrement. Copilot pour Microsoft 365 est essentiellement un système RA géant fonctionnant sur vos données personnelles et d'entreprise, le tout optimisé par la recherche vectorielle. L'ETL vectorielle permet de tout synchroniser. Voici maintenant le défi pratique. Les données changent, les documents sont mis à jour, de nouveaux produits sont ajoutés et les anciennes politiques sont archivées. Chaque fois que vos données source changent, vos vecteurs doivent également changer. C'est là qu'intervient l'ETL vectorielle. ETS signifie extraire, transformer, charger. Pour les bases de données vectorielles, le processus se déroule comme suit. Tout d'abord, vous extrayez les documents nouveaux ou modifiez votre source, peut-être un conteneur de stockage d'objets blob, une bibliothèque SharePoint ou une base de données SQL. Ensuite, vous les transformez en découpant le texte en morceaux gérables et en exécutant chaque morceau dans votre modèle d'intégration. Enfin, vous chargez les vecteurs résultants dans votre magasin vectoriel avec des métadonnées telles que l'URL source d'origine, un horodatage et la version du modèle utilisée. La meilleure pratique ici de procès de manière incrémentielle. Ne réintégrez pas l'intégralité de votre corpus à chaque fois que quelque chose change. Ne traitez que les documents qui ont réellement changé. Suivez la version du modèle qui a généré chaque intégration, mettez à niveau votre modèle et les anciens vecteurs deviennent incohérents avec les nouveaux. Et surveillez vos coups. Les API d'intégration facturent par jetons donc le traitement de millions de documents s'additionne rapidement. Dans Azure, un flux de travail typique est simple. Placez vos documents dans le stockage d'objets blob. Ensuite, configurez un indexeur de recherche Azure AI avec un ensemble de compétences intégrées qui gèrent automatiquement la segmentation et l'intégration. Microsoft fournit la compétence de fractionnement de texte pour la segmentation et la compétence de modèle d'intégration Azure Open AI pour la génération de vecteurs. L'indexeur s'exécute selon un calendrier, récupère les nouveaux fichiers, les traite et insère les vecteurs dans l'index. Aucun code de pipeline personnalisé n'est nécessaire. Voici une erreur courante. Ignorez les métadonnées. Chaque vecteur a besoin de sa référence source, du nom et de la version du modèle d'intégration ainsi que d'un neurodata de création. Sans cela, vous ne pouvez pas retracer l'origine d'un résultat, vous ne pouvez pas réintégrer lorsque les modèles changent et vous aurez du mal, change et vous aurez du mal avec les audits de conformité. Traitez vos vecteurs comme n'importe quelle autre donnée métier, suivez leurs lignes. Aux prochaines étapes. Alors, prêt à essayer par vous-même ? Commencez simplement. Ouvrez le portail Azure et créez une ressource de recherche Azure AI. Activez ensuite la recherche vectorielle sur un index existant. Téléchargez quelques documents, choisissez un modèle d'intégration et exécuter une requête de similarité. Réveillez que cela fonctionne dans moins d'une heure. Pour les développeurs, récupérez le SDK Python, intégrer une poignée de documents à l'aide d'Azure OpenAI, stockez-les dans la recherche vectorielle de Cosmos DB et écrivez une requête qui trouve la correspondance la plus proche. Microsoft fournit des exemples de codes clairs et de la documentation pour vous guider. Vous n'avez pas besoin de devenir un data scientist ou d'utiliser des bases de données vectorielles. Les outils de Microsoft gèrent la génération d'intégration, l'indexation et la logique de requête. Votre seule tâche consiste à comprendre le concept et à pointer les outils vers vos propres données. Voici un défi. Pensez au problème de recherche auquel vous êtes confronté aujourd'hui. Il peut s'agir de trouver des documents internes, de faire une recherche dans un catalogue de produits ou de répondre aux questions des clients à partir d'une base de connaissances. La recherche vectorielle pourrait-elle faire mieux que la recherche par mots-clés ? Choisissez un petit ensemble de données, même sans documents, et essayez. Vous sentirez immédiatement la différence. Vous comprenez maintenant ce que sont réellement les bases de données vectorielles. Il ne s'agit pas d'une mystérieuse technologie d'IA, mais simplement d'un moyen de stocker et de rechercher le sens de vos données plutôt que les mots exacts. Elles alimentent les fonctionnalités de recherche intelligente et d'IA de Microsoft 365, Azure, Ecopilot. Chaque fois que vous posez une question et obtenez une réponse pertinente, une base de données vectorielle trouve quelque part la correspondance la plus proche de votre requête. Vos faits structurés, les noms de vos clients, les montants de vos commandes, les inventaires, tout cela se trouve toujours dans les bases de données traditionnelles. Les bases de données vectorielles ajoutent une couche de compréhension. Elles permettent à votre application d'effectuer des recherches par sens, par intention et par conté. Voilà pour la vue d'un seul. Nous verrons comment fonctionnent réellement les pipelines RAG et comment vous pouvez en créer en un après-midi. Merci de votre écoute.