Aller au contenu

Vector Search & RAG avec PostgreSQL – Essentials

Construire une recherche vectorielle et un chatbot RAG fonctionnel entièrement sur PostgreSQL avec pgvector, dès votre premier embedding.

Libérez le potentiel de la recherche sémantique et de l’IA grâce à cette formation immersive et pratique sur la recherche vectorielle avec PostgreSQL. En deux jours intensifs, vous passerez de "Qu’est-ce qu’un embedding ?" à un chatbot RAG (Retrieval-Augmented Generation) entièrement fonctionnel et construit sur PostgreSQL – aucune base de données vectorielle externe n’est nécessaire.

Pourquoi la recherche vectorielle avec PostgreSQL ?

Contenu de l’atelier

Pour commencer, vous découvrirez comment la recherche traditionnelle par mot-clé ne permet pas toujours de saisir le sens des mots. Nous expliquerons comment la recherche sémantique, qui s’appuie sur les « embeddings », change la donne en se concentrant sur l’intention et le contexte au lieu de se contenter de faire correspondre les mots.

Cartographie d’une architecture RAG dans le monde réel

Ensuite, nous nous pencherons sur la situation dans son ensemble. Vous verrez comment les données circulent dans un système RAG, depuis la requête de l’utilisateur jusqu’au modèle linguistique, en passant par l’intégration et l’extraction. Cela permet de clarifier exactement la place de PostgreSQL dans ce pipeline d’IA moderne.

Premiers pas avec pgvector

Ensuite, vous passerez à la pratique. Grâce à des instructions pas à pas et à des scripts prêts à l’emploi, vous installerez pgvector et mettrez en place votre première table d’intégration. Vous pouvez suivre cette formation sur votre ordinateur portable ou dans le Cloud.

Choisir le bon opérateur de similarité

Ensuite, nous nous pencherons sur les performances. Vous comparerez des méthodes de similarité telles que le cosinus, l’euclidienne et le produit intérieur. Grâce à des démonstrations SQL en direct, vous comprendrez comment chaque option affecte la vitesse, la précision et le stockage.

Intégration backend avec Python ou Node

Une fois que votre recherche vectorielle fonctionne, vous apprendrez à la relier à des applications réelles. En utilisant les modèles LangChain et LangFlow, vous intégrerez des appels SQL, des filtres, des classements et des invites LLM dans des backends Python ou Node.

Construire un chatbot RAG minimal

Enfin, vous réunirez le tout. Vous intégrerez un échantillon de données de FAQ, récupérerez les correspondances top-k et les transmettrez à une fonction OpenAI. Le résultat ? Un chatbot entièrement fonctionnel qui donne aux utilisateurs des réponses fondées et en temps réel.

Objectifs

  • Comprendre les limites de la recherche par mots-clés et le rôle des vecteurs sémantiques
  • Installer et configurer pgvector avec un début de workflow d’intégration OpenAI
  • Écrire un langage SQL efficace pour la similarité vectorielle, le filtrage, le classement et la pagination.
  • Construire et déployer un pipeline RAG minimal en utilisant uniquement PostgreSQL
  • Appliquer les meilleures pratiques en matière d’optimisation des performances, de la confidentialité et du stockage

Approche de la formation

Cet atelier utilise un mélange pratique de brefs exposés, de démonstrations SQL en direct et de laboratoires pratiques. Tout d’abord, vous serez initié aux concepts de base par le biais de présentations courtes et ciblées. Ensuite, vous appliquerez immédiatement ce que vous avez appris dans des exercices guidés, soit dans une VM en nuage, soit sur votre propre ordinateur portable.
De plus, chaque sujet s’appuie sur le précédent, renforçant votre compréhension étape par étape. Enfin, vous réunirez le tout dans un projet phare : la construction d’un chatbot Q&A entièrement fonctionnel et soutenu par PostgreSQL.

Cibles

  • Les administrateurs de bases de données prêts à se lancer dans la recherche sémantique en IA
  • Développeurs backend et full-stack
  • Ingénieurs analytiques et équipes de plateforme
  • Toute personne novice en matière de recherche vectorielle ou de RAG qui recherche une solution à base de données unique.

Prérequis

  • Connaissances de base en SQL
  • Capacité à accéder à une instance PostgreSQL et à y naviguer
  • Connaissance de Python au niveau débutant

Principaux avantages

  • Simplicité d’empilage : Stockage des vecteurs, des métadonnées et des données commerciales dans un seul cluster PostgreSQL
  • Prototypage plus rapide : Utilisez les notebooks et les blueprints LangChain pour accélérer la création de valeur.
  • Confiance opérationnelle : Apprenez à dimensionner le stockage, à contrôler les coûts et à observer dès le premier jour.

Ressources et documentation

Réduction de 5 % pour les membres du SOUG, du SwissPUG et de la DOAG.

Aperçu

Open Source

Durée

2 jours

Prix

1800 CHF

Niveau

Essentiels

19.11.2026 · 20.11.2026

Lieu

Bâle

Langue

Anglais

Aucune place disponible

03.12.2026 · 04.12.2026

Lieu

Nyon

Langue

Français

Aucune place disponible

25.05.2027 · 26.05.2027

Lieu

Bâle

Langue

Anglais

Aucune place disponible

25.05.2027 · 26.05.2027

Lieu

Zurich

Langue

Anglais

Aucune place disponible

25.05.2027 · 26.05.2027

Lieu

Berne

Langue

Anglais

Aucune place disponible

09.06.2027 · 10.06.2027

Lieu

Nyon

Langue

Français

Aucune place disponible

Donnée par ceux qui l’exploitent en production.

Adrien Obernesser

Adrien Obernesser

Consultant