Que sont les bases de données vectorielles ?

Bases de données ordinaires = lignes et colonnes

Imaginez une feuille de calcul qui répertorie tous les clubs étudiants du Champlain College :

id	nom	catégorie	chambre
1	Club Anime	Les médias	C-102
2	Club d'art	Créatif	C-103
3	Équipe de robotique	Tech	C-108
4	Société de musique de Champlain	Créatif	C-109

Avec ce type de base de données relationnellevous pouvez essentiellement demander :

• "Montrez-moi tous les clubs créatifs".
• "Quel club se trouve dans la salle C-108 ?"
• Liste de tous les clubs dont le nom contient "Art".

Mais si vous posez la question :

"Quel est le club les plus similaires à l'équipe de robotique ?"

Une base de données classique hausserait les épaules. Elle ne comprend pas la similarité à moins que vous ne la définissiez explicitement.

---

Bases de données vectorielles = regroupement par signification

Imaginons maintenant que chaque le club étudiant dispose de sa propre salle au rez-de-chaussée du collège. Voici ce qui se passe :

• Tous les étudiants qui aiment dessin et peinture se rendre à la Salle du club d'art.
• Tous les étudiants qui s'inscrivent à robots et programmation se rassembler dans le Salle de robotique.
• Tous ceux qui aiment anime et manga se réunissent dans le Salle du Club Anime.

Si vous entrez dans l'Art Club, vous y trouverez personnes similairesCeux qui partagent les mêmes intérêts.
Ils ne sont pas simplement regroupés par une étiquette, ils sont physiquement proche dans l'espace du collège.

Now think of vector databases the same way.

Instead of rooms, vector databases have a multi-dimensional space (think of a map with hundreds of directions). Each item, like a word, image, product, or document, is converted into a list of numbers called a vector. That vector is like coordinates that say:

“Put this word here in space.”

So:

• “Food” gets placed in a space near “Lettuce”, “Burger”, and “Restaurant”
• But “Food” is far away from “Foot”, even though they sound alike

Why? Because they don’t mean the same thing.

Image credit:
Source: “An Introduction to Vector Databases for Beginners”
© Xomnia — Used for educational purposes only.

---

How Does This Help?

When you search a vector database, it looks at the “location” of your query in space and finds things that are nearby, just like asking:

“I’m interested in robotics. Which room should I go to?”

The system says: “Go to Room C-108 with the Robotics Team. Oh, and the Tech Club and AI Club are just next door.”

So, you’re not just matching words, you’re matching meaning.

---

Résumé

• Relational databases are like spreadsheets: great for exact info and filters
• Vector databases are like a campus map: they organize data by meaning and group similar things near each other
• Just like how Champlain has rooms for each club interest, vector databases have spaces for each concept
• This lets AI answer fuzzy questions like: “Show me stuff like this” or “Find things with similar vibes”