Des articles pour ceux qui
livrent le stack
Textes sur React, Node.js, TypeScript et AI. Un corps traduit est affiché quand il existe. Sinon vous voyez le texte anglais et une note qui le dit.
Tag : HNSW
Cinq façons d’indexer des vecteurs pour RAG, testées sur un million d’embeddings de Wikipédia
Cinq méthodes d’indexation des vecteurs pour RAG testées sur un million d’embeddings de Wikipédia : flat, IVFFlat, HNSW, hybride BM25 et DiskANN, accompagnées de valeurs de latence et de rappel.
9 min de lectureRecherche vectorielle dans Azure AI Search : HNSW, profils et un récupérateur RAG en Python
Créer un index vectoriel dans Azure AI Search avec Python : HNSW contre KNN exhaustif, profils, embeddings, requêtes vectorielles et un prompt RAG, ainsi que des conseils pour la recherche hybride.
9 min de lectureÀ l’intérieur des bases de données vectorielles : IVF, arbres, HNSW et quantification produit.
À l’intérieur des bases de données vectorielles : recherche exacte versus recherche approximative, clusters IVF, forêts d’arbres, couches HNSW et leurs paramètres, ainsi que le coût de la quantification des produits.
7 min de lectureDéterminer pourquoi une requête Weaviate est lente grâce au profilage par étape
Le profilage des requêtes Weaviate fournit un détail du temps d’exécution étape par étape pour chaque réponse, ce qui permet d’identifier rapidement les filtres lents, les lectures sur disque, les recherches dans le graphe ou les recalculs.
5 min de lectureNous avons abandonné notre base de données vectorielle : pgvector gère parfaitement 40 millions d’embeddings.
Une histoire de migration : remplacer un stockage vectoriel payant par pgvector sur 40 millions de lignes, y compris la méthode de remplissage, l’erreur de récupération cachée dans les tableaux de bord, et quand ne pas effectuer le changement.
5 min de lectureAu-delà de Naive RAG : coûts mémoire d’HNSW, recherche hybride et contexte long.
Pourquoi les index vectoriels en mémoire rencontrent des limites à grande échelle, où la recherche par correspondance exacte échoue, et comment les hybrides BM25, RRF et PostgreSQL s’intègrent dans un monde à contexte long.
5 min de lectureComment fonctionne une base de données vectorielle : embeddings, recherche vectorielle et mémoire humaine
Un modèle mental basé sur la mémoire pour la recherche vectorielle : comment les embeddings, la similarité, les index de voisins les plus proches et les filtres de métadonnées fonctionnent au sein d’une base de données vectorielle pour RAG.
9 min de lectureAjustement des index HNSW et mise à l’échelle de la recherche vectorielle pour RAG en production
Apprenez comment les paramètres M et ef de HNSW équilibrent la précision, le temps de réponse et la mémoire, comment les configurer dans Chroma, ainsi que quand il convient d’échaler une base de données vectorielle verticalement ou par shardage.
4 min de lectureComment fonctionnent réellement les bases de données vectorielles : des embeddings à la recherche hybride
Explique comment les embeddings encodent le sens, comment la recherche de similarité et l’indexation s’échelonnent, et quand les recherches hybrides et les bases de données vectorielles conviennent réellement aux systèmes d’IA d’entreprise.
8 min de lecture
À propos de ces articles
Devis en 24 h
Besoin du même stack en couche opérateur ? Envoyez le brief — devis sous 24 h.