Que sont les bases de données vectorielles ?
Découvrez la définition, l’objectif et les principaux cas d’utilisation des bases de données vectorielles dans les applications pilotées par l’intelligence artificielle.
Que sont les bases de données vectorielles ? est une leçon Vector Databases: Pinecone, Weaviate & pgvector gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Vector Databases: Pinecone, Weaviate & pgvector, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Vector Databases: Pinecone, Weaviate & pgvector comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Intro to Vector Databases
Meet the vector database — the technology behind much of today's AI. You'll learn what it is, why it exists, and how it helps AI find meaning in data.
The Data Challenge
SQL databases shine on structured data like IDs and prices. But how do you search a 'happy dog' image or find an article semantically similar to another?
What is a Vector?
At the heart of it all is the vector — simply a list of numbers representing the features of some data, like a point in multi-dimensional space.
Vectors Represent Meaning
AI models turn complex data into numeric vectors, a process called embedding. The magic: similar things end up as vectors that sit close together in that space.
Simple Vector Example
Here's what a tiny vector looks like in code — imagine each number standing for a feature like furry, four-legged, or purrs.
def main():
# A simple conceptual vector for an animal
# [furry, four_legged, purrs, meows, barks]
cat_vector = [1.0, 1.0, 1.0, 1.0, 0.0]
dog_vector = [1.0, 1.0, 0.0, 0.0, 1.0]
print(f"Cat vector: {cat_vector}")
print(f"Dog vector: {dog_vector}")
if __name__ == "__main__":
main()Proximity = Similarity
This is the core idea: vectors that are numerically close represent data that's semantically similar. 'Apple' lands nearer 'banana' than 'car'.
Why Specialized?
Ordinary databases can't find close vectors fast across hundreds of dimensions. Vector databases are purpose-built for lightning-fast nearest-neighbor search.
Similarity Search
The main job is similarity search: hand it a query vector and it instantly returns the closest matches — like finding a song by how it feels, not its title.
Use Case: Recommendations
Vector databases power recommendations: watching a movie, the system finds others with similar meaning vectors you'll likely enjoy. 'Users who bought this also bought...'
Use Case: Semantic Search
They also enable semantic search: ask 'healthy breakfast options?' and get results by meaning, not exact keywords — perfect for chatbots and knowledge bases.
Quick Check
Vector databases are specialized tools. What key advantages do they offer over traditional databases for AI-driven applications?
Recap & Next Steps
Recap: vector databases store numeric representations of meaning, enable fast similarity search by finding close vectors, and power recommendations and semantic search. Next: embeddings.
Questions Fréquemment Posées
La leçon « Que sont les bases de données vectorielles ? » est-elle gratuite ?
Oui — le texte complet de « Que sont les bases de données vectorielles ? » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Vector Databases: Pinecone, Weaviate & pgvector, passe à CoddyKit PRO. Le cours Vector Databases: Pinecone, Weaviate & pgvector comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Que sont les bases de données vectorielles ? » ?
Découvrez la définition, l’objectif et les principaux cas d’utilisation des bases de données vectorielles dans les applications pilotées par l’intelligence artificielle. Tu pratiques Vector Databases: Pinecone, Weaviate & pgvector avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Vector Databases: Pinecone, Weaviate & pgvector ?
Aucune expérience préalable n'est requise. Vector Databases: Pinecone, Weaviate & pgvector sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Que sont les bases de données vectorielles ? » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Vector Databases: Pinecone, Weaviate & pgvector ?
Oui. Chaque leçon Vector Databases: Pinecone, Weaviate & pgvector inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Que sont les bases de données vectorielles ?
- Représentations vectorielles : le concept central
- La recherche par similarité expliquée
- Métriques de distance et bases de l’indexation