La recherche vectorielle pour les devs web : claire, utile, et bluffante

Depuis 20 ans, on construit des sites web qui cherchent des mots.

SELECT * FROM articles WHERE content ILIKE '%massage%'

Mais depuis peu, on peut construire des sites web... qui cherchent du sens.

Et quand j’ai découvert à quel point c’était simple à implémenter (et puissant à l’usage), j’ai compris que ça allait redéfinir beaucoup de choses --- dans la façon dont on code, mais aussi dans la façon dont on conçoit l’expérience utilisateur.

---

Petit historique express

Non, ce n’est pas si nouveau.

Les premières idées de "modèle vectoriel" en recherche d'information remontent aux années 1970. Mais la vraie révolution, c’est quand on a commencé à représenter du texte par son sens, et non par ses mots.

Pas avec des mots-clés. Avec des vecteurs.

Et ça, c’est devenu possible grâce à l’arrivée des modèles d’IA comme BERT (Google, 2018), GPT (OpenAI, 2019+), et plus récemment, les modèles d’embedding puissants comme text-embedding-3-large.

---

Une recherche vectorielle, c’est quoi exactement ?

C’est une méthode pour retrouver des contenus proches d’une requête, non pas par correspondance exacte de mots, mais par proximité de sens.

Une phrase comme “Est-ce que je dois boire après un soin ?” peut faire ressortir “Je recommande de bien s’hydrater après un massage.”

Aucun mot identique. Mais le sens est le même. Et la machine l’a compris.

---

Comment ça marche côté dev (version claire)

1. Chaque texte est transformé en vecteur numérique (embedding) → 3072 chiffres si tu utilises le modèle text-embedding-3-large

2. Ce vecteur est stocké en base (genre PostgreSQL avec l’extension pgvector)

3. Lorsqu’un utilisateur pose une question, elle aussi est embeddée → Et on cherche les vecteurs les plus proches (cosine similarity, distance euclidienne...)

4. On renvoie les contenus les plus "compatibles sémantiquement" → Puis, éventuellement, un GPT les reformule joliment.

Et tout ça peut tourner en quelques millisecondes.

---

Où on la retrouve déjà ?

Tu l’utilises peut-être sans le savoir :

• YouTube → suggestions de vidéos
• Spotify → recommandations musicales
• ChatGPT / Notion AI / Perplexity → recherche hybride
• Amazon / Shopify → produits similaires
• Chatbots intelligents → réponses contextuelles en SAV ou assistant

---

Et pour un site web d’entreprise ?

Quelques exemples simples et concrets :

• Une entreprise de services peut construire une FAQ intelligente qui comprend les formulations variées des clients
• Un e-commerce peut répondre à : “Ce pull tient-il chaud en hiver ?”
• Une agence peut intégrer un assistant qui comprend les requêtes techniques même mal formulées
• Un site de contenu peut retrouver les bons articles, même sans mots-clés précis

Et tout ça, sans ElasticSearch, sans NLP maison.

Juste :

• OpenAI pour les embeddings
• pgvector pour le stockage
• Une requête SQL bien pensée

---

Pourquoi je l’ai intégré dans mes projets

Je construis des assistants IA pour des entreprises (et parfois pour des humains qui veulent laisser une trace).

Dans ces projets, les gens ne cherchent pas des mots. Ils cherchent des réponses, du sens, une vraie interaction.

Et le jour où j’ai branché ma base vectorielle et vu un assistant répondre correctement à une question jamais vue auparavant, j’ai su que je ne voulais plus revenir en arrière.

---

Ce que ça change vraiment

• Tu ne codes plus des filtres par mot, tu codes une compréhension.
• Tu ne classes plus par “tags”, tu classes par intention.
• Tu ne t’arrêtes pas à l’UX visuelle, tu construis une UX intelligente.

Et ça ne demande pas 6 mois de R&D. Ça demande d’oser intégrer une couche sémantique dans ce qu’on conçoit.

---

Pour ceux qui veulent tester

Si tu sais faire une requête SQL, tu peux implémenter une recherche vectorielle cette semaine.

Quelques outils clés :

Et si tu veux voir comment je l’ai intégré dans mes assistants, viens me parler.