WEBVTT

00:00:00.000 --> 00:00:04.420
Bonjour à tous et bienvenue dans un nouvel épisode de Microsoft Knowledge Nugget sur M365FM.

00:00:04.720 --> 00:00:06.320
Femme, je suis votre hôte Mirko Peters.

00:00:06.660 --> 00:00:08.820
Le sujet du jour est un sujet dont presque tout le monde a entendu parler,

00:00:09.120 --> 00:00:10.460
mais que très peu de gens comprennent réellement.

00:00:10.860 --> 00:00:11.720
Les bases de données vectoriales.

00:00:12.000 --> 00:00:13.960
Vous avez probablement déjà vu ce terme dans des articles sur l'IA

00:00:13.960 --> 00:00:16.380
ou l'avez entendu dans des conversations sur Copilot et ChatGPT.

00:00:16.840 --> 00:00:18.560
Et qu'est-ce qu'une base de données vectoriale exacte ?

00:00:18.560 --> 00:00:21.020
S'agit-il simplement d'une base de données ordinaire avec un nom plus sophistique ?

00:00:21.020 --> 00:00:22.580
S'agit-il de quelque chose de complètement différent ?

00:00:22.580 --> 00:00:24.960
Imaginez que vous recherchiez une veste rouge sur un site de commerce électronique

00:00:24.960 --> 00:00:27.680
et que vous obteniez des résultats indiquant manteau cramoisi, cramoisi, cramoisi, cramoisi, etc.

00:00:28.460 --> 00:00:30.680
Comment l'ordinateur sait-il qu'il s'agit de la même chose ?

00:00:30.680 --> 00:00:31.680
Il ne fait pas correspondre les mots-clés.

00:00:32.360 --> 00:00:34.220
Cramoisi n'est pas rouge et manteau n'est pas veste.

00:00:35.280 --> 00:00:36.940
Pourtant, le moteur de recherche comprend qu'ils sont liés

00:00:36.940 --> 00:00:38.400
et c'est la recherche vectorielle en action.

00:00:39.340 --> 00:00:42.120
A la fin de cet épisode, vous comprendrez ce que sont réellement les bases de données vectoriales,

00:00:42.180 --> 00:00:43.760
pourquoi elles alimentent la recherche par l'IA et Copilot

00:00:43.760 --> 00:00:45.740
et comment elles s'intègrent dans le cloud de Microsoft.

00:00:46.940 --> 00:00:47.680
Nous restons simples.

00:00:48.500 --> 00:00:50.800
Pas de mathématiques, pas de jargon, juste des éléments de base clairs.

00:00:51.700 --> 00:00:52.680
Qu'est-ce qu'un vecteur ?

00:00:54.960 --> 00:00:56.860
Qu'est-ce qu'un vecteur exactement ?

00:00:56.860 --> 00:00:58.560
Lorsque la plupart des gens entendent le mot vecteur,

00:00:58.660 --> 00:01:01.380
ils imaginent une flèche tirée d'un cours de physique, sa direction et sa magnitude.

00:01:02.020 --> 00:01:03.080
En informatique, c'est beaucoup plus sain.

00:01:03.560 --> 00:01:05.020
Un vecteur n'est en réalité qu'une liste de nombres.

00:01:05.760 --> 00:01:08.920
Un tableau unidimensionnel qui représente quelque chose dans un format que l'ordinateur peut traiter.

00:01:09.600 --> 00:01:10.980
Voici une façon pratique de le représenter.

00:01:11.240 --> 00:01:12.840
Si je vous disais de me retrouver au troisième étage,

00:01:13.000 --> 00:01:15.980
dans l'aile B, salle 12, ce sont trois nombres décrivant un emplacement spécifique.

00:01:16.660 --> 00:01:19.920
C'est un vecteur tridimensionnel qui vous indique exactement où se trouve quelque chose dans un bâtiment.

00:01:20.420 --> 00:01:21.600
Imaginez maintenant que j'ajoute plus d'adétal.

00:01:21.600 --> 00:01:24.320
La couleur de la porte, la taille de la pièce, le prix au mètre carré.

00:01:25.100 --> 00:01:26.700
Chaque nouveau détail devient une autre dimension.

00:01:27.340 --> 00:01:30.600
Ainsi, plus vous créez des dimensions, plus vous pouvez capturer d'informations sur cet objet.

00:01:31.180 --> 00:01:34.680
Une voiture pourrait être décrite par sa vitesse, son kilométrage, son prix, son poids et son indice de sécurité.

00:01:35.020 --> 00:01:36.060
C'est un vecteur à cinq dimensions.

00:01:36.720 --> 00:01:39.000
Un produit pourrait être décrit par des centaines de caractéristiques,

00:01:39.100 --> 00:01:40.400
ce qui vous donne un vecteur à grande dimension.

00:01:40.920 --> 00:01:41.360
Voici le truc.

00:01:41.720 --> 00:01:44.120
Les vecteurs nous permettent de transformer des choses en nombres que les ordinateurs ne peuvent pas.

00:01:44.420 --> 00:01:47.600
Les mots, les images, les sons, les documents, tout peut devenir une liste de nombres.

00:01:47.740 --> 00:01:49.020
Une fois que tout est devenu des nombres,

00:01:49.020 --> 00:01:51.140
vous pouvez commencer à mesurer à quel point deux choses sont similaires.

00:01:51.740 --> 00:01:53.400
Deux pièces au même étage avec des couleurs de portes similaires

00:01:53.400 --> 00:01:55.180
finissent par être proches l'une de l'autre dans l'espace vectoriel.

00:01:55.740 --> 00:01:58.080
Et deux produits avec des fonctionnalités similaires se regroupent également.

00:01:59.020 --> 00:02:01.160
Cette idée simple est ce qui rend possible la recherche par IA moderne.

00:02:01.940 --> 00:02:04.800
Des vecteurs représentation vectorielle continue, tous les vecteurs ne sont pas identiques.

00:02:04.960 --> 00:02:07.320
Il existe un type particulier appelé représentation vectorielle continue

00:02:07.320 --> 00:02:08.200
et c'est là que résiste toute cette pièce.

00:02:08.440 --> 00:02:09.860
Qu'est-ce qu'une représentation vectorielle continue ?

00:02:09.860 --> 00:02:13.720
Une représentation vectorielle continue est un vecteur qui représente un modèle d'apprentissage automatique

00:02:13.720 --> 00:02:16.020
comme la représentation vectorielle continue d'Azure OpenAI

00:02:16.020 --> 00:02:18.240
et il lit le texte et le place dans un espace à haute dimension.

00:02:18.880 --> 00:02:20.680
Le modèle a appris à partir de milliards d'exemples,

00:02:21.000 --> 00:02:22.540
il comprend donc comment les mots sont liés.

00:02:23.320 --> 00:02:24.880
Le roi et la reine finissent par être proches l'un de l'autre

00:02:24.880 --> 00:02:26.360
parce qu'ils partagent un contexte similaire.

00:02:26.980 --> 00:02:28.700
Le roi et le café finissent par être très éloignés l'un de l'autre

00:02:28.700 --> 00:02:29.780
parce qu'ils ne partagent pas le contexte.

00:02:30.060 --> 00:02:31.280
Voici ce que cela signifie en termes simples.

00:02:31.820 --> 00:02:32.980
Lorsque vous recherchez veste rouge,

00:02:33.320 --> 00:02:34.640
le système trouve manteau cramoisi.

00:02:35.940 --> 00:02:38.020
Le modèle d'intégration reconnaît que rouge et cramoisi

00:02:38.020 --> 00:02:40.660
ont une signification proche et que veste et manteau le sont également.

00:02:41.660 --> 00:02:42.940
Les intégrations de ces deux expressions

00:02:42.940 --> 00:02:44.540
deviennent voisines dans l'espace vectoriel.

00:02:44.980 --> 00:02:46.540
L'ordinateur ne fait plus correspondre les lettres,

00:02:47.100 --> 00:02:47.800
fait correspondre le sens.

00:02:49.120 --> 00:02:50.480
Laissez-moi vous donner un exemple classique.

00:02:50.940 --> 00:02:51.820
Prenez le vecteur du roi,

00:02:52.000 --> 00:02:53.080
soustrayez le vecteur de l'homme

00:02:53.080 --> 00:02:54.420
et ajoutez le vecteur de la femme.

00:02:55.600 --> 00:02:57.600
Le résultat est très proche du vecteur de la reine.

00:02:58.380 --> 00:02:59.820
Roi moins homme plus femme égale reine.

00:03:00.480 --> 00:03:01.300
Cela peut sembler magique,

00:03:01.400 --> 00:03:02.360
mais c'est en réalité la manière

00:03:02.360 --> 00:03:04.060
dont le modèle transforme les relations en nombre.

00:03:05.240 --> 00:03:06.820
Il a appris que le roi et la reine

00:03:06.820 --> 00:03:09.380
partagent une relation similaire à celle entre l'homme et la femme

00:03:09.380 --> 00:03:11.640
et cette relation est codée dans les coordonnées.

00:03:11.640 --> 00:03:13.820
Ainsi, les modèles d'intégration

00:03:13.820 --> 00:03:14.600
prennent vos données brutes,

00:03:14.680 --> 00:03:16.420
qu'il s'agisse de textes, d'images ou d'audios,

00:03:16.540 --> 00:03:17.940
et les convertissent en une liste de nombres

00:03:17.940 --> 00:03:19.320
qui représentent leur signification.

00:03:20.120 --> 00:03:21.240
Ces nombres deviennent des coordonnées

00:03:21.240 --> 00:03:22.640
dans un espace à haute dimension.

00:03:23.540 --> 00:03:24.720
Ensuite, lorsque vous effectuez une recherche,

00:03:24.800 --> 00:03:25.660
votre requête est convertie

00:03:25.660 --> 00:03:26.720
dans le même type de coordonnées.

00:03:27.320 --> 00:03:28.840
Il suffit de mesurer la distance entre elles.

00:03:29.280 --> 00:03:29.900
C'est l'idée centrale.

00:03:30.320 --> 00:03:31.320
Pourquoi les bases de données traditionnelles

00:03:31.320 --> 00:03:32.320
sont-elles insuffisantes ?

00:03:32.320 --> 00:03:33.560
Si les représentations vectorielles continuent

00:03:33.560 --> 00:03:34.040
sont si puissantes,

00:03:34.120 --> 00:03:34.860
pourquoi ne pouvons-nous pas simplement

00:03:34.860 --> 00:03:35.780
utiliser les données classiques ?

00:03:35.780 --> 00:03:36.440
Répondons à cette question.

00:03:37.560 --> 00:03:38.980
Les bases de données SQL traditionnelles

00:03:38.980 --> 00:03:40.240
sont conçues pour des correspondances exactes.

00:03:40.580 --> 00:03:42.240
Vous écrivez où la couleur est égale au rouge,

00:03:42.420 --> 00:03:43.240
et elle trouve toutes les lignes

00:03:43.240 --> 00:03:44.000
où la colonne de couleur

00:03:44.000 --> 00:03:45.060
est littéralement égale au rouge.

00:03:45.580 --> 00:03:46.400
Cela fonctionne très bien

00:03:46.400 --> 00:03:47.220
pour les données structurées

00:03:47.220 --> 00:03:48.000
telles que les noms de clients,

00:03:48.120 --> 00:03:49.400
les dates de commande ou les prix des produits,

00:03:49.720 --> 00:03:50.680
mais cela ne fonctionne pas du tout

00:03:50.680 --> 00:03:51.320
lorsque vous avez besoin

00:03:51.320 --> 00:03:52.140
d'une signification floue.

00:03:52.780 --> 00:03:53.980
Essayez d'écrire une requête SQL

00:03:53.980 --> 00:03:55.160
qui trouve du code cramoisi,

00:03:55.440 --> 00:03:57.360
alors que vos données ne disent que Veste Bordeaux.

00:03:58.180 --> 00:03:58.680
Vous ne pouvez pas,

00:03:58.780 --> 00:04:00.020
car SQL ne comprend pas les concepts.

00:04:00.920 --> 00:04:01.980
Les bases de données traditionnelles

00:04:01.980 --> 00:04:03.380
stockent les données en ligne et en colonne.

00:04:04.100 --> 00:04:05.400
Elles sont optimisées pour les jointures,

00:04:05.400 --> 00:04:07.140
les agrégations et les recherches exactes.

00:04:08.000 --> 00:04:09.380
Elles ne savent pas que voitures et automobiles

00:04:09.380 --> 00:04:10.100
sont la même chose.

00:04:10.660 --> 00:04:11.960
Elles ne savent pas qu'excitées ravisent.

00:04:12.220 --> 00:04:13.220
Ce sont des émotions similaires.

00:04:13.680 --> 00:04:14.340
Elles correspondent simplement

00:04:14.340 --> 00:04:14.960
à des chaînes de carrément.

00:04:15.240 --> 00:04:16.380
Et si vos données ne sont pas structurées,

00:04:16.480 --> 00:04:17.580
comme des PDF, des images,

00:04:17.680 --> 00:04:18.360
des enregistrements audios

00:04:18.360 --> 00:04:18.920
ou de longs documents,

00:04:19.240 --> 00:04:20.220
les bases de données traditionnelles

00:04:20.220 --> 00:04:21.280
peuvent les stocker sous forme de blob.

00:04:21.600 --> 00:04:22.540
Elles les stockent sous forme de blob,

00:04:22.620 --> 00:04:23.220
mais elles ne peuvent pas vraiment

00:04:23.220 --> 00:04:23.860
rechercher leur contenu.

00:04:23.960 --> 00:04:24.740
Vous auriez besoin d'une recherche

00:04:24.740 --> 00:04:25.420
en texte intégrale

00:04:25.420 --> 00:04:26.560
qui repose toujours sur la correspondance

00:04:26.560 --> 00:04:26.900
de mots-clés.

00:04:27.460 --> 00:04:28.240
Si l'utilisateur tape

00:04:28.240 --> 00:04:28.960
rapport budgétaire,

00:04:29.020 --> 00:04:29.800
mais que le document indique

00:04:29.800 --> 00:04:30.580
résumé financier,

00:04:30.700 --> 00:04:31.620
la recherche par mots-clés

00:04:31.620 --> 00:04:32.580
ne le trouve pas du tout,

00:04:32.760 --> 00:04:33.360
ne le trouve pas du tout.

00:04:33.440 --> 00:04:34.180
Voyez les choses de cette façon.

00:04:34.440 --> 00:04:35.340
Une base de données classique

00:04:35.340 --> 00:04:35.900
est comme un classeur.

00:04:36.380 --> 00:04:37.440
Vous devez connaître le nom exact

00:04:37.440 --> 00:04:38.240
du fichier pour trouver

00:04:38.240 --> 00:04:38.800
ce que vous recherchez.

00:04:39.340 --> 00:04:40.320
Une base de données vectorielle

00:04:40.320 --> 00:04:41.220
est comme un bibliothécaire

00:04:41.220 --> 00:04:42.060
qui comprend ce que vous voulez dire.

00:04:42.560 --> 00:04:42.880
Vous pouvez dire

00:04:42.880 --> 00:04:43.760
car j'ai besoin de ce document

00:04:43.760 --> 00:04:45.060
sur les dépenses du dernier trimestre.

00:04:45.720 --> 00:04:47.040
Et le bibliothécaire sait exactement

00:04:47.040 --> 00:04:47.820
quel dossier extraire,

00:04:47.920 --> 00:04:48.900
même si le dossier est intitulé

00:04:48.900 --> 00:04:50.480
résumé financier du troisième trimestre.

00:04:51.320 --> 00:04:52.660
Le bibliothécaire comprend l'intention,

00:04:52.660 --> 00:04:53.620
pas seulement les étiquettes.

00:04:54.180 --> 00:04:54.680
C'est pourquoi les bases

00:04:54.680 --> 00:04:55.600
de données vectorielles existent.

00:04:55.900 --> 00:04:56.820
Elles stockent les représentations

00:04:56.820 --> 00:04:57.540
vectorielles continues,

00:04:57.720 --> 00:04:58.720
ces vecteurs de capture de sens,

00:04:58.820 --> 00:04:59.620
et les indexent d'une manière

00:04:59.620 --> 00:05:00.420
qui accélère la recherche

00:05:00.420 --> 00:05:01.000
de similarités.

00:05:01.540 --> 00:05:02.060
Elles ne remplacent pas

00:05:02.060 --> 00:05:03.060
les bases de données traditionnelles.

00:05:03.460 --> 00:05:04.080
Ils ajoutent une couche

00:05:04.080 --> 00:05:05.080
de compréhension par-dessus

00:05:05.080 --> 00:05:06.420
et cette couche change tout.

00:05:07.320 --> 00:05:07.980
Ils ajoutent une couche

00:05:07.980 --> 00:05:09.000
de compréhension par-dessus

00:05:09.000 --> 00:05:10.140
et cette couche change tout.

00:05:10.680 --> 00:05:11.200
Comment fonctionnent

00:05:11.200 --> 00:05:12.320
les bases de données vectorielles ?

00:05:12.320 --> 00:05:13.060
Alors comment tout cela

00:05:13.060 --> 00:05:14.320
fonctionne-t-il en coulisses ?

00:05:14.320 --> 00:05:15.680
Examinons les deux phases principales,

00:05:16.020 --> 00:05:16.840
l'ingestion et la requête.

00:05:17.240 --> 00:05:18.400
L'ingestion et la phase de configuration.

00:05:19.120 --> 00:05:20.140
Vous prenez vos données brutes,

00:05:20.360 --> 00:05:21.160
vos descriptions de produits,

00:05:21.460 --> 00:05:22.220
vos tickets d'assistance,

00:05:22.620 --> 00:05:23.340
vos documents internes,

00:05:23.400 --> 00:05:23.900
tout ce que vous avez,

00:05:24.040 --> 00:05:25.100
et vous soumettez chaque élément

00:05:25.100 --> 00:05:25.760
à ce que l'on appelle

00:05:25.760 --> 00:05:26.780
un modèle d'intégration.

00:05:27.800 --> 00:05:28.840
Ce modèle transforme le texte

00:05:28.840 --> 00:05:29.400
en un vecteur,

00:05:29.720 --> 00:05:30.820
qui est en gros une liste de nombres

00:05:30.820 --> 00:05:31.780
qui capture le sens.

00:05:32.460 --> 00:05:33.500
Ensuite, vous stockez ce vecteur

00:05:33.500 --> 00:05:34.140
dans la base de données

00:05:34.140 --> 00:05:34.920
avec des métadonnées,

00:05:35.000 --> 00:05:35.660
le texte original,

00:05:35.860 --> 00:05:36.540
un horodatage,

00:05:36.700 --> 00:05:37.520
peut-être une catégorie

00:05:37.520 --> 00:05:39.020
ou une URL source.

00:05:39.540 --> 00:05:40.540
Maintenant, voici la partie intelligente.

00:05:40.800 --> 00:05:41.760
Si vous aviez un million de documents,

00:05:41.980 --> 00:05:42.760
vérifiez chaque vecteur

00:05:42.760 --> 00:05:43.940
un par un prendrait une éternité.

00:05:44.680 --> 00:05:45.520
C'est pourquoi mes bases de données

00:05:45.520 --> 00:05:46.280
utilisent ce qu'on appelle

00:05:46.280 --> 00:05:46.920
l'indexation.

00:05:47.440 --> 00:05:48.280
Pensez à l'indexation

00:05:48.280 --> 00:05:49.360
comme à la création d'une carte

00:05:49.360 --> 00:05:50.240
de l'espace vectoriel

00:05:50.240 --> 00:05:51.500
au lieu de frapper à chaque porte.

00:05:52.280 --> 00:05:52.920
Deux méthodes courantes

00:05:52.920 --> 00:05:54.140
sont l'IVF et le HNSW.

00:05:54.680 --> 00:05:55.260
IVF signifie

00:05:55.260 --> 00:05:56.160
index de fichiers inversés.

00:05:56.580 --> 00:05:57.420
Il fonctionne en regroupant

00:05:57.420 --> 00:05:58.480
les vecteurs similaires en groupe.

00:05:59.200 --> 00:06:00.220
Lorsque vous effectuez une recherche,

00:06:00.320 --> 00:06:00.820
au lieu de parcourir

00:06:00.820 --> 00:06:01.600
tous les millions de vecteurs,

00:06:01.680 --> 00:06:02.440
vous ne vérifiez que les groupes

00:06:02.440 --> 00:06:03.060
les plus prometteurs.

00:06:03.460 --> 00:06:04.180
C'est comme chercher un livre

00:06:04.180 --> 00:06:04.860
dans une bibliothèque.

00:06:05.360 --> 00:06:06.120
Vous vous dirigez directement

00:06:06.120 --> 00:06:06.720
vers la bonne section

00:06:06.720 --> 00:06:07.280
au lieu de parcourir

00:06:07.280 --> 00:06:07.820
toutes les étagères.

00:06:08.340 --> 00:06:09.200
HNSW signifie

00:06:09.200 --> 00:06:10.840
Hierarchical Navigable Small World.

00:06:11.260 --> 00:06:12.300
L'idée est assez élégante.

00:06:12.780 --> 00:06:13.380
Il construit une carte

00:06:13.380 --> 00:06:14.420
multicouche de vos vecteurs.

00:06:15.200 --> 00:06:15.800
La couche supérieure

00:06:15.800 --> 00:06:16.560
contient quelques vecteurs

00:06:16.560 --> 00:06:17.160
représentatifs

00:06:17.160 --> 00:06:17.740
qui vous donnent une idée

00:06:17.740 --> 00:06:18.640
approximative de l'emplacement

00:06:18.640 --> 00:06:18.940
des choses.

00:06:19.640 --> 00:06:20.240
Chaque couche en dessous

00:06:20.240 --> 00:06:20.960
devient plus détaillée.

00:06:21.340 --> 00:06:21.920
Lorsque vous effectuez

00:06:21.920 --> 00:06:22.280
une recherche,

00:06:22.380 --> 00:06:23.060
vous commencez par le haut,

00:06:23.120 --> 00:06:23.860
trouvez le quartier général,

00:06:24.060 --> 00:06:24.940
puis explorez couche par couche

00:06:24.940 --> 00:06:25.300
jusqu'à trouver

00:06:25.300 --> 00:06:26.460
la correspondance exacte.

00:06:26.760 --> 00:06:27.000
Exact.

00:06:27.560 --> 00:06:28.460
C'est comme utiliser d'abord

00:06:28.460 --> 00:06:28.960
un plan de ville,

00:06:29.240 --> 00:06:29.980
puis un plan de quartier,

00:06:30.240 --> 00:06:30.840
puis un plan de rue.

00:06:31.540 --> 00:06:32.340
Chacun vous rapproche.

00:06:32.780 --> 00:06:33.540
Le résultat est que vous pouvez

00:06:33.540 --> 00:06:34.640
rechercher des millions de vecteurs

00:06:39.200 --> 00:06:40.040
dans un copilote

00:06:40.040 --> 00:06:40.720
et obtenez une réponse

00:06:40.720 --> 00:06:41.420
en quelques secondes.

00:06:41.860 --> 00:06:42.160
Quelque part,

00:06:42.220 --> 00:06:43.060
une base de données vectorielle

00:06:43.060 --> 00:06:43.880
vient d'effectuer une recherche

00:06:43.880 --> 00:06:44.440
de similarité

00:06:44.440 --> 00:06:45.000
dans des milliers

00:06:45.000 --> 00:06:45.820
ou des millions de documents.

00:06:46.200 --> 00:06:46.760
La phase de requête

00:06:46.760 --> 00:06:47.560
fonctionne de la même manière,

00:06:47.680 --> 00:06:48.240
mais en sens inverse.

00:06:48.440 --> 00:06:49.200
Vous saisissez votre question.

00:06:49.560 --> 00:06:50.420
Cette question est convertie

00:06:50.420 --> 00:06:51.300
en vecteur en utilisant

00:06:51.300 --> 00:06:52.180
exactement le même modèle

00:06:52.180 --> 00:06:52.700
d'intégration.

00:06:53.120 --> 00:06:53.680
La base de données

00:06:53.680 --> 00:06:54.460
trouve ensuite les voisins

00:06:54.460 --> 00:06:54.900
les plus proches

00:06:54.900 --> 00:06:55.780
de votre vecteur de requête

00:06:55.780 --> 00:06:56.400
à l'aide de l'index.

00:06:57.000 --> 00:06:57.900
Elle renvoie les résultats

00:06:57.900 --> 00:06:58.460
les plus similaires

00:06:58.460 --> 00:06:59.240
classés par distance.

00:07:00.080 --> 00:07:01.040
Plus les vecteurs sont proches,

00:07:01.380 --> 00:07:02.340
plus le résultat est pertinent.

00:07:03.300 --> 00:07:04.300
L'écosystème Microsoft

00:07:04.300 --> 00:07:05.400
où vivent les vecteurs.

00:07:05.960 --> 00:07:06.420
Alors où tout cela

00:07:06.420 --> 00:07:06.820
se trouve-t-il

00:07:06.820 --> 00:07:08.100
dans le monde Microsoft ?

00:07:08.100 --> 00:07:08.920
La réponse courte est partout.

00:07:09.480 --> 00:07:10.100
Microsoft ajoute

00:07:10.100 --> 00:07:11.060
des fonctionnalités vectorielles

00:07:11.060 --> 00:07:11.740
aux plateformes de données

00:07:11.740 --> 00:07:12.560
que vous utilisez déjà

00:07:12.560 --> 00:07:13.180
au lieu de vous pousser

00:07:13.180 --> 00:07:13.940
vers une base de données

00:07:13.940 --> 00:07:15.060
spécialisées distinctes.

00:07:15.780 --> 00:07:16.780
Passons en revue les principales.

00:07:17.320 --> 00:07:18.120
Azure AI Search

00:07:18.120 --> 00:07:19.080
est le magasin de vecteurs

00:07:19.080 --> 00:07:19.600
le plus courant

00:07:19.600 --> 00:07:20.600
pour les données d'entreprise.

00:07:21.700 --> 00:07:22.440
Il s'agit de la génération

00:07:22.440 --> 00:07:23.360
augmentée de récupération.

00:07:24.060 --> 00:07:24.560
Il prend en charge

00:07:24.560 --> 00:07:25.260
la recherche hybride,

00:07:25.380 --> 00:07:25.700
ce qui signifie

00:07:25.700 --> 00:07:26.620
qu'il combine la correspondance

00:07:26.620 --> 00:07:27.440
de mots-clés traditionnels

00:07:27.440 --> 00:07:28.560
avec la similarité vectorielle.

00:07:29.280 --> 00:07:30.320
Pourquoi est-ce important ?

00:07:30.320 --> 00:07:31.100
Parce que certaines recherches

00:07:31.100 --> 00:07:31.520
fonctionnent mieux

00:07:31.520 --> 00:07:32.060
avec des mots-clés,

00:07:32.260 --> 00:07:33.200
des codes de produits exacts,

00:07:33.240 --> 00:07:33.780
des noms, des dates,

00:07:33.840 --> 00:07:34.340
tandis que d'autres

00:07:34.340 --> 00:07:35.960
nécessitent une compréhension sémantique.

00:07:36.320 --> 00:07:36.900
La recherche hybride

00:07:36.900 --> 00:07:37.400
vous offre les deux.

00:07:38.020 --> 00:07:38.800
Azure AI Search

00:07:38.800 --> 00:07:39.320
inclut également

00:07:39.320 --> 00:07:40.320
la vectorisation intégrée,

00:07:40.700 --> 00:07:41.140
ce qui vous permet

00:07:41.140 --> 00:07:42.080
de configurer un pipeline

00:07:42.080 --> 00:07:43.060
qui segmente automatiquement

00:07:43.060 --> 00:07:43.500
les documents,

00:07:43.660 --> 00:07:44.420
génère des intégrations

00:07:44.420 --> 00:07:44.860
et les index

00:07:44.860 --> 00:07:46.560
sans écrire de code personnalisé.

00:07:47.580 --> 00:07:48.640
Cosmos DB propose désormais

00:07:48.640 --> 00:07:49.560
une recherche vectorielle native

00:07:49.560 --> 00:07:50.440
avec indexation à disque.

00:07:50.780 --> 00:07:51.420
ANN sur disque

00:07:51.420 --> 00:07:51.800
signifie

00:07:51.800 --> 00:07:53.120
« Quakeupaceproche approximative

00:07:53.120 --> 00:07:54.120
basée sur disque Pac-B

00:07:54.120 --> 00:07:55.500
et est conçu pour une latence inférieure

00:07:55.500 --> 00:07:56.200
à 20 millisecondes

00:07:56.200 --> 00:07:56.880
même à grande échelle.

00:07:57.320 --> 00:07:58.040
C'est une excellente solution

00:07:58.040 --> 00:07:59.120
pour les données opérationnelles

00:07:59.120 --> 00:08:00.300
qui résident déjà dans Cosmos DB.

00:08:01.060 --> 00:08:01.780
Imaginons que vous développiez

00:08:01.780 --> 00:08:02.980
une application de commerce électronique

00:08:02.980 --> 00:08:03.960
avec Cosmos DB comme backend.

00:08:04.400 --> 00:08:04.900
Vous pouvez désormais

00:08:04.900 --> 00:08:05.900
ajouter la recherche vectorielle

00:08:05.900 --> 00:08:07.200
directement à votre catalogue de produits

00:08:07.200 --> 00:08:08.000
sans déplacer les données

00:08:08.000 --> 00:08:08.760
vers un service distinct.

00:08:09.420 --> 00:08:10.060
Un client recherche

00:08:10.060 --> 00:08:10.940
des chaussures d'été légère

00:08:10.940 --> 00:08:11.640
et votre application

00:08:11.640 --> 00:08:12.420
trouve des produits

00:08:12.420 --> 00:08:13.520
avec des descriptions similaires,

00:08:13.620 --> 00:08:14.240
le tout dans votre

00:08:14.240 --> 00:08:15.820
base de données existantes.

00:08:16.820 --> 00:08:18.220
Azure SQL Server 2025

00:08:18.220 --> 00:08:19.080
et Azure SQL Database

00:08:19.080 --> 00:08:20.020
ont également rejoint la fête.

00:08:20.640 --> 00:08:21.200
Ils incluent désormais

00:08:21.200 --> 00:08:22.380
un type de données vectorielles natifs

00:08:22.380 --> 00:08:22.800
et des fonctions

00:08:22.800 --> 00:08:23.780
telles que la recherche vectorielle.

00:08:24.220 --> 00:08:24.720
Cela signifie

00:08:24.720 --> 00:08:25.320
que vous pouvez stocker

00:08:25.320 --> 00:08:26.320
des intégrations directement

00:08:26.320 --> 00:08:27.580
à côté de vos données relationnelles.

00:08:27.640 --> 00:08:28.580
Des enregistrements clients

00:08:28.580 --> 00:08:29.860
avec des représentations vectorielles

00:08:29.860 --> 00:08:30.480
de leurs préférences,

00:08:30.660 --> 00:08:31.340
des articles en stock

00:08:31.340 --> 00:08:32.480
avec des descriptions vectorielles,

00:08:32.680 --> 00:08:33.460
des tickets d'assistance

00:08:33.460 --> 00:08:34.720
avec des intégrations vectorielles

00:08:34.720 --> 00:08:35.260
de leurs contenus.

00:08:35.780 --> 00:08:36.360
Vous n'avez pas besoin

00:08:36.360 --> 00:08:37.400
d'une base de données vectorialistes.

00:08:37.700 --> 00:08:38.780
Vos compétences SQL existantes

00:08:38.780 --> 00:08:39.280
s'appliquent toujours.

00:08:39.760 --> 00:08:40.360
Ajoutez simplement

00:08:40.360 --> 00:08:41.120
une colonne vectorielle,

00:08:41.220 --> 00:08:41.640
créez un index

00:08:41.640 --> 00:08:42.400
et commencez à interroger

00:08:42.400 --> 00:08:43.020
par similarité.

00:08:43.640 --> 00:08:44.500
Voici comment Copilote

00:08:44.500 --> 00:08:45.240
utilise cela en coulisses.

00:08:45.880 --> 00:08:46.540
Lorsque vous demandez

00:08:46.540 --> 00:08:47.380
« Montrez-moi le rapport

00:08:47.380 --> 00:08:48.400
des ventes du troisième trimestre

00:08:48.400 --> 00:08:48.920
de l'année dernière.

00:08:49.060 --> 00:08:49.820
Copilote ne recherche pas

00:08:49.820 --> 00:08:50.420
l'expression exact

00:08:50.420 --> 00:08:50.940
rapport des ventes

00:08:50.940 --> 00:08:51.720
du troisième trimestre

00:08:51.720 --> 00:08:53.100
exact rapport des ventes. »

00:08:53.100 --> 00:08:53.900
Il convertit votre question

00:08:53.900 --> 00:08:54.340
en vecteur,

00:08:54.760 --> 00:08:55.380
effectue une recherche

00:08:55.380 --> 00:08:56.260
dans les documents d'index,

00:08:56.520 --> 00:08:56.920
les emails,

00:08:57.040 --> 00:08:57.660
les fichiers SharePoint,

00:08:57.760 --> 00:08:58.480
les documents OneDrive,

00:08:58.560 --> 00:08:59.220
les discussions Teams

00:08:59.220 --> 00:09:00.260
et trouve le document

00:09:00.260 --> 00:09:00.900
dont l'incorporation

00:09:00.900 --> 00:09:01.380
est la plus proche

00:09:01.380 --> 00:09:02.060
de votre requête.

00:09:03.380 --> 00:09:04.100
Il peut trouver un fichier

00:09:04.100 --> 00:09:05.240
intitulé « Cac-assumé financier »

00:09:05.240 --> 00:09:05.900
du troisième trimestre

00:09:05.900 --> 00:09:08.040
2024, car la signification corresponde,

00:09:08.080 --> 00:09:08.640
même si les mots exacts

00:09:08.640 --> 00:09:09.140
ne correspondent pas.

00:09:09.500 --> 00:09:10.220
C'est la recherche vectorielle

00:09:10.220 --> 00:09:10.520
en action.

00:09:11.020 --> 00:09:11.540
L'idée clé ici,

00:09:11.620 --> 00:09:12.440
la stratégie de Microsoft.

00:09:13.140 --> 00:09:13.540
Au lieu de dire

00:09:13.540 --> 00:09:14.180
« Allez acheter une base

00:09:14.180 --> 00:09:15.300
de données vectorielles spécialisée »

00:09:15.300 --> 00:09:16.900
ils ajoutent des fonctionnalités vectorielles

00:09:16.900 --> 00:09:18.140
aux outils que vous utilisez déjà.

00:09:18.780 --> 00:09:19.540
Azure AI Search,

00:09:19.620 --> 00:09:20.100
Cosmos DB,

00:09:20.220 --> 00:09:20.780
SQL Server,

00:09:20.880 --> 00:09:21.600
ils parlent tous les vecteurs

00:09:21.600 --> 00:09:22.220
et désormais,

00:09:22.720 --> 00:09:23.200
vous n'avez pas besoin

00:09:23.200 --> 00:09:24.020
d'apprendre un nouveau système.

00:09:24.380 --> 00:09:25.560
Vous devez juste comprendre le concept

00:09:25.560 --> 00:09:26.800
et Microsoft s'occupe

00:09:26.800 --> 00:09:27.640
du gros du travail.

00:09:28.980 --> 00:09:29.780
Cas d'utilisation concrète

00:09:29.780 --> 00:09:30.060
de l'IA

00:09:30.060 --> 00:09:31.680
Alors, où voyez-vous réellement

00:09:31.680 --> 00:09:32.760
les bases de données vectorielles

00:09:32.760 --> 00:09:34.020
à l'œuvre aujourd'hui ?

00:09:34.020 --> 00:09:34.980
Voici comment cela se passe

00:09:34.980 --> 00:09:35.300
dans le monde.

00:09:35.700 --> 00:09:36.520
RG est le plus important.

00:09:36.920 --> 00:09:37.920
Cela signifie génération

00:09:37.920 --> 00:09:39.100
augmentée de récupération aiguée

00:09:39.100 --> 00:09:39.960
et c'est ainsi que la plupart

00:09:39.960 --> 00:09:40.620
des IA d'entreprise

00:09:40.620 --> 00:09:41.200
fonctionnent désormais.

00:09:41.200 --> 00:09:42.580
Lorsque vous posez une question

00:09:42.580 --> 00:09:43.080
à un chatbot,

00:09:43.260 --> 00:09:43.680
il ne devine pas

00:09:43.680 --> 00:09:44.660
à partir de ces données d'entraînement.

00:09:44.980 --> 00:09:45.440
Au lieu de cela,

00:09:45.540 --> 00:09:46.300
il recherche dans une base

00:09:46.300 --> 00:09:47.040
de données vectorielles

00:09:47.040 --> 00:09:47.840
les documents pertinents,

00:09:47.980 --> 00:09:48.860
récupère les correspondances

00:09:48.860 --> 00:09:49.360
les plus proches

00:09:49.360 --> 00:09:50.620
et les transmet au modèle linguistique

00:09:50.620 --> 00:09:51.460
en tant que contexte.

00:09:52.020 --> 00:09:52.940
Le modèle construit ensuite

00:09:52.940 --> 00:09:53.680
une réponse à partir

00:09:53.680 --> 00:09:54.540
de ces documents réels.

00:09:55.040 --> 00:09:56.140
Cela signifie des réponses précises

00:09:56.140 --> 00:09:56.680
sur les politiques,

00:09:56.800 --> 00:09:57.380
les produits ou les données

00:09:57.380 --> 00:09:57.980
de votre entreprise.

00:09:58.600 --> 00:09:59.740
Sans base de données vectorielles,

00:09:59.960 --> 00:10:00.500
l'IA devinerait

00:10:00.500 --> 00:10:01.600
à partir de connaissances générales

00:10:01.600 --> 00:10:01.980
sur Internet.

00:10:02.520 --> 00:10:02.880
Avec elle,

00:10:02.940 --> 00:10:03.760
elle extrait directement

00:10:03.760 --> 00:10:04.460
vos fichiers réels.

00:10:04.980 --> 00:10:05.780
Les moteurs de recommandation

00:10:05.780 --> 00:10:06.840
sont un autre cas d'utilisation majeure.

00:10:07.220 --> 00:10:08.200
Netflix, Amazon, YouTube,

00:10:08.280 --> 00:10:08.760
ils fonctionnent tous

00:10:08.760 --> 00:10:09.320
de la même manière.

00:10:10.000 --> 00:10:10.980
Ils transforment les utilisateurs

00:10:10.980 --> 00:10:11.660
en vecteurs en fonction

00:10:11.660 --> 00:10:12.360
de leur comportement,

00:10:12.560 --> 00:10:13.140
de ce que vous regardez,

00:10:13.480 --> 00:10:14.120
achetez ou cliquez.

00:10:15.060 --> 00:10:15.920
Et ils transforment les éléments

00:10:15.920 --> 00:10:16.580
en vecteurs en fonction

00:10:16.580 --> 00:10:17.060
de descriptions,

00:10:17.240 --> 00:10:17.960
d'avis et de fonctionnalités.

00:10:18.480 --> 00:10:18.680
Ensuite,

00:10:18.740 --> 00:10:19.200
ils trouvent simplement

00:10:19.200 --> 00:10:19.940
les voisins les plus proches.

00:10:20.340 --> 00:10:21.060
Votre vecteur est proche

00:10:21.060 --> 00:10:21.760
d'un vecteur de film,

00:10:21.960 --> 00:10:22.660
il recommande ce film.

00:10:23.180 --> 00:10:24.400
C'est une recherche de similarité

00:10:24.400 --> 00:10:25.340
à grande échelle,

00:10:25.740 --> 00:10:26.760
exécutée des centaines de fois

00:10:26.760 --> 00:10:27.300
par seconde

00:10:27.300 --> 00:10:28.300
pour chaque utilisateur.

00:10:28.820 --> 00:10:29.440
La recherche sémantique

00:10:29.440 --> 00:10:29.920
est le troisième cas

00:10:29.920 --> 00:10:30.580
d'utilisation majeure.

00:10:31.040 --> 00:10:31.700
Il s'agit d'une recherche

00:10:31.700 --> 00:10:32.460
par signification

00:10:32.460 --> 00:10:32.980
et non par boucle.

00:10:33.560 --> 00:10:34.320
Un agent d'assistance

00:10:34.320 --> 00:10:35.180
tape à car le client

00:10:35.180 --> 00:10:35.920
ne peut pas se connecter

00:10:35.920 --> 00:10:36.780
après la réinitialisation

00:10:36.780 --> 00:10:37.240
du mot de passe

00:10:37.240 --> 00:10:38.020
et trouve un article

00:10:38.020 --> 00:10:38.560
intitulé qui est

00:10:38.560 --> 00:10:39.340
dépannage des échecs

00:10:39.340 --> 00:10:39.940
d'authentification

00:10:39.940 --> 00:10:40.520
après la mise à jour

00:10:40.520 --> 00:10:41.480
des informations d'identification.

00:10:41.940 --> 00:10:42.760
Les mots ne correspondent pas,

00:10:42.900 --> 00:10:43.540
mais la signification,

00:10:44.100 --> 00:10:44.520
c'est ce que permet

00:10:44.520 --> 00:10:45.260
la recherche vectorielle.

00:10:45.660 --> 00:10:46.320
Pour une équipe qui traite

00:10:46.320 --> 00:10:47.360
des centaines de tickets par jour,

00:10:47.480 --> 00:10:48.440
cela réduit considérablement

00:10:48.440 --> 00:10:49.120
le temps de résolution.

00:10:49.880 --> 00:10:50.220
Il y a ensuite

00:10:50.220 --> 00:10:51.060
la détection des anomalies,

00:10:51.380 --> 00:10:52.380
moins évidente mais puissante.

00:10:53.080 --> 00:10:54.340
Vous intégrez un comportement normal,

00:10:54.340 --> 00:10:55.660
des modèles de transactions typiques,

00:10:55.900 --> 00:10:56.880
des mesures système habituelles,

00:10:56.980 --> 00:10:57.940
des actions utilisateurs standards.

00:10:58.920 --> 00:10:59.760
Stocker ses vecteurs,

00:11:00.020 --> 00:11:01.200
puis signaler tout ce qui atterrit

00:11:01.200 --> 00:11:02.000
loin du cluster.

00:11:02.440 --> 00:11:02.860
Une transaction

00:11:02.860 --> 00:11:03.480
qui ne ressemble à rien

00:11:03.480 --> 00:11:03.820
à la normale,

00:11:03.900 --> 00:11:04.280
c'est une fraude.

00:11:04.720 --> 00:11:05.460
Une mesure de serveur

00:11:05.460 --> 00:11:06.400
qui sort de la plage habituelle,

00:11:06.480 --> 00:11:07.500
c'est un incident en préparation.

00:11:07.920 --> 00:11:08.840
Pour reste de données vectorielles,

00:11:08.900 --> 00:11:09.440
rendre cette opération

00:11:09.440 --> 00:11:10.140
suffisamment rapide

00:11:10.140 --> 00:11:10.800
pour s'exécuter en temps.

00:11:11.160 --> 00:11:11.980
Dans le monde de Microsoft,

00:11:12.280 --> 00:11:12.980
cela apparaît partout.

00:11:13.500 --> 00:11:14.960
PowerApps utilise la recherche vectorielle

00:11:14.960 --> 00:11:15.800
pour les suggestions d'IA

00:11:15.800 --> 00:11:16.760
lorsque vous créez des formulaires.

00:11:17.360 --> 00:11:18.620
Dynamics 365 l'utilise

00:11:18.620 --> 00:11:19.520
pour une recherche intelligente

00:11:19.520 --> 00:11:20.560
dans les enregistrements clients.

00:11:21.180 --> 00:11:21.680
Les transcriptions

00:11:21.680 --> 00:11:22.240
des réunions d'équipe

00:11:22.240 --> 00:11:23.060
sont transformées en vecteurs.

00:11:23.620 --> 00:11:24.140
Vous pouvez donc rechercher

00:11:24.140 --> 00:11:24.780
qu'avons-nous décidé

00:11:24.780 --> 00:11:25.460
concernant le budget

00:11:25.460 --> 00:11:26.780
et trouver le moment exact

00:11:26.780 --> 00:11:27.440
dans un enregistrement.

00:11:28.520 --> 00:11:30.180
Copilot pour Microsoft 365

00:11:30.180 --> 00:11:31.060
est essentiellement

00:11:31.060 --> 00:11:31.900
un système RA géant

00:11:31.900 --> 00:11:33.400
fonctionnant sur vos données personnelles

00:11:33.400 --> 00:11:34.160
et d'entreprise,

00:11:34.420 --> 00:11:35.040
le tout optimisé

00:11:35.040 --> 00:11:36.160
par la recherche vectorielle.

00:11:37.540 --> 00:11:38.240
L'ETL vectorielle

00:11:38.240 --> 00:11:39.180
permet de tout synchroniser.

00:11:39.920 --> 00:11:40.980
Voici maintenant le défi pratique.

00:11:41.660 --> 00:11:42.280
Les données changent,

00:11:42.360 --> 00:11:43.200
les documents sont mis à jour,

00:11:43.300 --> 00:11:44.200
de nouveaux produits sont ajoutés

00:11:44.200 --> 00:11:45.080
et les anciennes politiques

00:11:45.080 --> 00:11:45.740
sont archivées.

00:11:46.380 --> 00:11:47.340
Chaque fois que vos données source changent,

00:11:47.380 --> 00:11:48.720
vos vecteurs doivent également changer.

00:11:49.260 --> 00:11:49.780
C'est là qu'intervient

00:11:49.780 --> 00:11:50.380
l'ETL vectorielle.

00:11:50.380 --> 00:11:51.820
ETS signifie extraire,

00:11:51.920 --> 00:11:52.540
transformer, charger.

00:11:52.900 --> 00:11:53.960
Pour les bases de données vectorielles,

00:11:54.120 --> 00:11:55.140
le processus se déroule comme suit.

00:11:55.620 --> 00:11:56.040
Tout d'abord,

00:11:56.320 --> 00:11:57.440
vous extrayez les documents nouveaux

00:11:57.440 --> 00:11:58.340
ou modifiez votre source,

00:11:58.460 --> 00:11:59.440
peut-être un conteneur de stockage

00:11:59.440 --> 00:11:59.900
d'objets blob,

00:12:00.140 --> 00:12:00.920
une bibliothèque SharePoint

00:12:00.920 --> 00:12:01.740
ou une base de données SQL.

00:12:02.400 --> 00:12:03.400
Ensuite, vous les transformez

00:12:03.400 --> 00:12:04.220
en découpant le texte

00:12:04.220 --> 00:12:04.900
en morceaux gérables

00:12:04.900 --> 00:12:06.120
et en exécutant chaque morceau

00:12:06.120 --> 00:12:07.300
dans votre modèle d'intégration.

00:12:08.220 --> 00:12:09.600
Enfin, vous chargez les vecteurs résultants

00:12:09.600 --> 00:12:10.720
dans votre magasin vectoriel

00:12:10.720 --> 00:12:11.720
avec des métadonnées

00:12:11.720 --> 00:12:12.820
telles que l'URL source d'origine,

00:12:12.960 --> 00:12:13.540
un horodatage

00:12:13.540 --> 00:12:15.360
et la version du modèle utilisée.

00:12:16.000 --> 00:12:16.700
La meilleure pratique ici

00:12:16.700 --> 00:12:17.780
de procès de manière incrémentielle.

00:12:18.300 --> 00:12:19.440
Ne réintégrez pas l'intégralité

00:12:19.440 --> 00:12:19.980
de votre corpus

00:12:19.980 --> 00:12:21.040
à chaque fois que quelque chose change.

00:12:21.420 --> 00:12:22.240
Ne traitez que les documents

00:12:22.240 --> 00:12:23.140
qui ont réellement changé.

00:12:23.760 --> 00:12:24.640
Suivez la version du modèle

00:12:24.640 --> 00:12:25.640
qui a généré chaque intégration,

00:12:26.020 --> 00:12:26.880
mettez à niveau votre modèle

00:12:26.880 --> 00:12:27.840
et les anciens vecteurs

00:12:27.840 --> 00:12:28.520
deviennent incohérents

00:12:28.520 --> 00:12:28.940
avec les nouveaux.

00:12:29.600 --> 00:12:30.480
Et surveillez vos coups.

00:12:30.800 --> 00:12:32.300
Les API d'intégration facturent par jetons

00:12:32.300 --> 00:12:33.700
donc le traitement de millions de documents

00:12:33.700 --> 00:12:34.460
s'additionne rapidement.

00:12:35.240 --> 00:12:35.640
Dans Azure,

00:12:35.740 --> 00:12:36.840
un flux de travail typique est simple.

00:12:37.340 --> 00:12:37.960
Placez vos documents

00:12:37.960 --> 00:12:38.880
dans le stockage d'objets blob.

00:12:39.400 --> 00:12:40.580
Ensuite, configurez un indexeur

00:12:40.580 --> 00:12:41.400
de recherche Azure AI

00:12:41.400 --> 00:12:43.220
avec un ensemble de compétences intégrées

00:12:43.220 --> 00:12:44.060
qui gèrent automatiquement

00:12:44.060 --> 00:12:45.220
la segmentation et l'intégration.

00:12:45.840 --> 00:12:46.980
Microsoft fournit la compétence

00:12:46.980 --> 00:12:47.720
de fractionnement de texte

00:12:47.720 --> 00:12:48.400
pour la segmentation

00:12:48.400 --> 00:12:49.780
et la compétence de modèle d'intégration

00:12:49.780 --> 00:12:50.340
Azure Open AI

00:12:50.340 --> 00:12:51.380
pour la génération de vecteurs.

00:12:51.940 --> 00:12:52.820
L'indexeur s'exécute

00:12:52.820 --> 00:12:53.580
selon un calendrier,

00:12:53.780 --> 00:12:54.620
récupère les nouveaux fichiers,

00:12:54.720 --> 00:12:55.340
les traite et insère

00:12:55.340 --> 00:12:56.220
les vecteurs dans l'index.

00:12:56.980 --> 00:12:58.140
Aucun code de pipeline personnalisé

00:12:58.140 --> 00:12:58.560
n'est nécessaire.

00:12:58.940 --> 00:12:59.900
Voici une erreur courante.

00:13:00.020 --> 00:13:00.780
Ignorez les métadonnées.

00:13:01.440 --> 00:13:02.180
Chaque vecteur a besoin

00:13:02.180 --> 00:13:02.940
de sa référence source,

00:13:03.120 --> 00:13:03.800
du nom et de la version

00:13:03.800 --> 00:13:04.580
du modèle d'intégration

00:13:04.580 --> 00:13:05.740
ainsi que d'un neurodata de création.

00:13:06.140 --> 00:13:06.400
Sans cela,

00:13:06.400 --> 00:13:07.120
vous ne pouvez pas retracer

00:13:07.120 --> 00:13:07.880
l'origine d'un résultat,

00:13:07.960 --> 00:13:08.740
vous ne pouvez pas réintégrer

00:13:08.740 --> 00:13:09.440
lorsque les modèles changent

00:13:09.440 --> 00:13:09.940
et vous aurez du mal,

00:13:10.020 --> 00:13:11.040
change et vous aurez du mal

00:13:11.040 --> 00:13:11.920
avec les audits de conformité.

00:13:12.320 --> 00:13:12.940
Traitez vos vecteurs

00:13:12.940 --> 00:13:13.640
comme n'importe quelle autre

00:13:13.640 --> 00:13:14.120
donnée métier,

00:13:14.220 --> 00:13:14.820
suivez leurs lignes.

00:13:16.160 --> 00:13:16.820
Aux prochaines étapes.

00:13:17.340 --> 00:13:18.040
Alors, prêt à essayer

00:13:18.040 --> 00:13:19.560
par vous-même ?

00:13:19.560 --> 00:13:20.160
Commencez simplement.

00:13:20.580 --> 00:13:21.360
Ouvrez le portail Azure

00:13:21.360 --> 00:13:22.080
et créez une ressource

00:13:22.080 --> 00:13:22.920
de recherche Azure AI.

00:13:23.480 --> 00:13:24.680
Activez ensuite la recherche vectorielle

00:13:24.680 --> 00:13:25.420
sur un index existant.

00:13:25.860 --> 00:13:26.720
Téléchargez quelques documents,

00:13:27.040 --> 00:13:27.960
choisissez un modèle d'intégration

00:13:27.960 --> 00:13:28.620
et exécuter une requête

00:13:28.620 --> 00:13:29.100
de similarité.

00:13:29.560 --> 00:13:30.180
Réveillez que cela fonctionne

00:13:30.180 --> 00:13:30.640
dans moins d'une heure.

00:13:31.080 --> 00:13:31.720
Pour les développeurs,

00:13:31.820 --> 00:13:32.860
récupérez le SDK Python,

00:13:33.160 --> 00:13:34.200
intégrer une poignée de documents

00:13:34.200 --> 00:13:35.080
à l'aide d'Azure OpenAI,

00:13:35.260 --> 00:13:36.680
stockez-les dans la recherche vectorielle

00:13:36.680 --> 00:13:37.340
de Cosmos DB

00:13:37.340 --> 00:13:38.260
et écrivez une requête

00:13:38.260 --> 00:13:39.240
qui trouve la correspondance

00:13:39.240 --> 00:13:39.880
la plus proche.

00:13:40.740 --> 00:13:41.820
Microsoft fournit des exemples

00:13:41.820 --> 00:13:42.360
de codes clairs

00:13:42.360 --> 00:13:42.980
et de la documentation

00:13:42.980 --> 00:13:43.520
pour vous guider.

00:13:43.960 --> 00:13:44.400
Vous n'avez pas besoin

00:13:44.400 --> 00:13:45.300
de devenir un data scientist

00:13:45.300 --> 00:13:45.960
ou d'utiliser des bases

00:13:45.960 --> 00:13:46.640
de données vectorielles.

00:13:47.120 --> 00:13:47.880
Les outils de Microsoft

00:13:47.880 --> 00:13:49.240
gèrent la génération d'intégration,

00:13:49.580 --> 00:13:50.140
l'indexation

00:13:50.140 --> 00:13:51.040
et la logique de requête.

00:13:51.520 --> 00:13:52.140
Votre seule tâche

00:13:52.140 --> 00:13:53.320
consiste à comprendre le concept

00:13:53.320 --> 00:13:54.180
et à pointer les outils

00:13:54.180 --> 00:13:54.960
vers vos propres données.

00:13:55.560 --> 00:13:56.060
Voici un défi.

00:13:56.480 --> 00:13:57.320
Pensez au problème de recherche

00:13:57.320 --> 00:13:58.280
auquel vous êtes confronté aujourd'hui.

00:13:58.600 --> 00:13:59.040
Il peut s'agir

00:13:59.040 --> 00:13:59.980
de trouver des documents internes,

00:14:00.040 --> 00:14:00.480
de faire une recherche

00:14:00.480 --> 00:14:01.340
dans un catalogue de produits

00:14:01.340 --> 00:14:02.140
ou de répondre aux questions

00:14:02.140 --> 00:14:02.700
des clients à partir

00:14:02.700 --> 00:14:03.380
d'une base de connaissances.

00:14:04.040 --> 00:14:04.760
La recherche vectorielle

00:14:04.760 --> 00:14:05.320
pourrait-elle faire mieux

00:14:05.320 --> 00:14:07.520
que la recherche par mots-clés ?

00:14:07.520 --> 00:14:08.480
Choisissez un petit ensemble

00:14:08.480 --> 00:14:08.800
de données,

00:14:08.900 --> 00:14:09.520
même sans documents,

00:14:09.920 --> 00:14:10.460
et essayez.

00:14:11.160 --> 00:14:12.020
Vous sentirez immédiatement

00:14:12.020 --> 00:14:12.480
la différence.

00:14:13.900 --> 00:14:14.480
Vous comprenez maintenant

00:14:14.480 --> 00:14:15.020
ce que sont réellement

00:14:15.020 --> 00:14:16.020
les bases de données vectorielles.

00:14:16.480 --> 00:14:16.980
Il ne s'agit pas

00:14:16.980 --> 00:14:18.180
d'une mystérieuse technologie d'IA,

00:14:18.340 --> 00:14:19.040
mais simplement d'un moyen

00:14:19.040 --> 00:14:20.060
de stocker et de rechercher

00:14:20.060 --> 00:14:20.720
le sens de vos données

00:14:20.720 --> 00:14:21.600
plutôt que les mots exacts.

00:14:22.300 --> 00:14:22.740
Elles alimentent

00:14:22.740 --> 00:14:23.240
les fonctionnalités

00:14:23.240 --> 00:14:24.020
de recherche intelligente

00:14:24.020 --> 00:14:25.320
et d'IA de Microsoft 365,

00:14:25.660 --> 00:14:26.480
Azure, Ecopilot.

00:14:27.200 --> 00:14:27.920
Chaque fois que vous posez

00:14:27.920 --> 00:14:28.280
une question

00:14:28.280 --> 00:14:29.480
et obtenez une réponse pertinente,

00:14:29.580 --> 00:14:30.500
une base de données vectorielle

00:14:30.500 --> 00:14:31.060
trouve quelque part

00:14:31.060 --> 00:14:31.640
la correspondance

00:14:31.640 --> 00:14:32.760
la plus proche de votre requête.

00:14:33.480 --> 00:14:34.220
Vos faits structurés,

00:14:34.460 --> 00:14:34.980
les noms de vos clients,

00:14:35.200 --> 00:14:35.900
les montants de vos commandes,

00:14:35.960 --> 00:14:36.460
les inventaires,

00:14:36.660 --> 00:14:37.400
tout cela se trouve toujours

00:14:37.400 --> 00:14:38.540
dans les bases de données traditionnelles.

00:14:39.000 --> 00:14:40.020
Les bases de données vectorielles

00:14:40.020 --> 00:14:41.160
ajoutent une couche de compréhension.

00:14:41.600 --> 00:14:42.520
Elles permettent à votre application

00:14:42.520 --> 00:14:43.340
d'effectuer des recherches

00:14:43.340 --> 00:14:44.500
par sens, par intention et par conté.

00:14:44.860 --> 00:14:45.620
Voilà pour la vue d'un seul.

00:14:50.060 --> 00:14:50.740
Nous verrons comment fonctionnent

00:14:50.740 --> 00:14:51.700
réellement les pipelines RAG

00:14:51.700 --> 00:14:52.540
et comment vous pouvez en créer

00:14:52.540 --> 00:14:53.280
en un après-midi.

00:14:53.860 --> 00:14:54.440
Merci de votre écoute.
