Vector Search

La recherche vectorielle est une méthode sophistiquée de recherche d'informations qui identifie des éléments similaires dans un ensemble de données en se basant sur leurs caractéristiques mathématiques plutôt que sur des correspondances exactes de mots-clés. Contrairement à la recherche par mots-clés traditionnelle, qui repose sur la recherche de chaînes de caractères spécifiques, la recherche vectorielle analyse la signification sémantique sous-jacente des données. Cette technique est fondamentale pour les applications modernes d'intelligence artificielle (IA), car elle permet aux ordinateurs de comprendre les relations entre des concepts abstraits, traitant des données non structurées telles que des images, des fichiers audio et du texte en langage naturel avec une précision remarquable.

Link to this sectionComment fonctionne la recherche vectorielle#

Le cœur de la recherche vectorielle implique la transformation de données brutes en vecteurs numériques de haute dimension, appelés embeddings. Ce processus mappe les éléments vers des points dans un espace multidimensionnel où les éléments conceptuellement similaires sont situés proches les uns des autres.

1. Vectorisation : Un modèle d'apprentissage profond (DL) traite les données d'entrée — par exemple, une image de chien — et produit un vecteur de caractéristiques. Des modèles avancés comme YOLO26 sont souvent utilisés pour générer ces riches représentations de caractéristiques de manière efficace.

2. Indexation : Pour effectuer des recherches rapidement, ces vecteurs sont organisés à l'aide d'algorithmes spécialisés, souvent stockés dans une base de données vectorielle dédiée.

3. Calcul de similarité : Lorsqu'un utilisateur soumet une requête, le système convertit cette requête en vecteur et mesure la distance par rapport aux vecteurs stockés en utilisant des métriques comme la similarité cosinus ou la distance euclidienne.

4. Récupération : Le système renvoie les « plus proches voisins », qui représentent les résultats les plus pertinents sur le plan contextuel.

Link to this sectionExemple en Python : Générer des embeddings#

Pour implémenter la recherche vectorielle, tu dois d'abord convertir tes données en vecteurs. L'extrait de code suivant démontre comment générer des cartes de caractéristiques et des embeddings à partir d'une image en utilisant le package ultralytics et un modèle YOLO26 pré-entraîné.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate feature embeddings for an image URL
# The 'embed' method returns the high-dimensional vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Print the shape of the resulting embedding vector
print(f"Embedding vector shape: {results[0].shape}")

Link to this sectionApplications concrètes#

La recherche vectorielle est le moteur derrière de nombreuses fonctionnalités intuitives dans l'écosystème logiciel actuel, comblant le fossé entre la vision par ordinateur (CV) et l'intention de l'utilisateur.

• Systèmes de recommandation visuelle : Dans le secteur de l'IA dans le commerce de détail, la recherche vectorielle alimente les fonctionnalités de « shopping du look ». Si un client aime un sac à main spécifique, le système trouve des articles avec des vecteurs visuels similaires — correspondant à la forme, à la texture et au style — créant un système de recommandation personnalisé.
• Génération augmentée par récupération (RAG) : Pour améliorer les grands modèles de langage (LLM), les développeurs utilisent la recherche vectorielle pour récupérer des documents pertinents à partir d'une base de connaissances. Cela fournit du contexte à l'IA, réduisant les hallucinations et améliorant la précision dans les interactions par chatbot.
• Détection d'anomalies : En regroupant les vecteurs d'opérations « normales », les systèmes peuvent identifier des valeurs aberrantes qui s'écartent considérablement du groupe. Ceci est crucial pour la détection d'anomalies dans le contrôle qualité de la fabrication et la sécurité des données.

Link to this sectionDistinguer les concepts apparentés#

Il est utile de différencier la recherche vectorielle de termes similaires pour comprendre l'intégralité du pipeline d'apprentissage automatique (ML).

• Recherche vectorielle vs recherche sémantique : La recherche sémantique est l'application plus large de la compréhension de l'intention de l'utilisateur (le « quoi »). La recherche vectorielle est la méthode algorithmique spécifique utilisée pour y parvenir en calculant la proximité vectorielle (le « comment »).
• Recherche vectorielle vs base de données vectorielle : Une base de données vectorielle est l'infrastructure conçue pour stocker et gérer des embeddings à grande échelle. La recherche vectorielle est le processus d'interrogation de cette base de données pour récupérer des informations.
• Recherche vectorielle vs recherche par mots-clés : La recherche par mots-clés correspond à des chaînes de texte exactes (par exemple, « pomme » correspond à « pomme »). La recherche vectorielle correspond à la signification, donc « pomme » pourrait correspondre à « fruit » ou « rouge », même si les mots diffèrent.

Link to this sectionIntégration avec la plateforme Ultralytics#

Pour les équipes construisant des systèmes de recherche de similarité, la gestion des jeux de données et l'entraînement de modèles d'embedding sont une première étape cruciale. La plateforme Ultralytics simplifie ce flux de travail en fournissant des outils pour la gestion des données, l'entraînement dans le cloud et le déploiement de modèles. En t'assurant que tes modèles de base — que ce soit pour la détection d'objets ou la classification — sont performants, tu garantis que les vecteurs résultants fournissent des résultats de recherche précis et significatifs.