{"id":7760,"date":"2025-06-05T09:40:17","date_gmt":"2025-06-05T07:40:17","guid":{"rendered":"https:\/\/www.dbi-services.com\/?post_type=courses&p=7760"},"modified":"2025-06-16T09:08:57","modified_gmt":"2025-06-16T07:08:57","slug":"vector-search-et-rag-avec-postgresql-essentials","status":"publish","type":"courses","link":"https:\/\/www.dbi-services.com\/fr\/formations\/vector-search-et-rag-avec-postgresql-essentials\/","title":{"rendered":"Vector Search & RAG avec PostgreSQL \u2013 Essentials"},"content":{"rendered":"

<\/h3>

<\/h2>
\n\n
\"Vector<\/figure>\n\n\n\n

<\/p>\n\n<\/div><\/div><\/section>

<\/h3>

Pourquoi la recherche vectorielle avec PostgreSQL ?<\/h2>

La recherche vectorielle r\u00e9volutionne la fa\u00e7on dont nous interagissons avec les donn\u00e9es, en permettant des requ\u00eates plus intelligentes et contextuelles. En utilisant PostgreSQL, une base de donn\u00e9es fiable et \u00e9volutive, vous pouvez mettre en \u0153uvre la recherche vectorielle sans introduire de nouveaux outils ou de nouvelles infrastructures. Cette approche est id\u00e9ale pour les \u00e9quipes qui cherchent \u00e0 am\u00e9liorer les capacit\u00e9s de l’IA tout en gardant leur pile technologique simple et efficace. Qu’il s’agisse d’exp\u00e9rimenter les LLM ou de d\u00e9ployer des pipelines RAG de niveau production, PostgreSQL et pgvector offrent une combinaison puissante. <\/p>

\n\n

<\/p>\n\n<\/div><\/div><\/section>

<\/h3>

Contenu de l’atelier<\/h2>

<\/p>

\n

Comprendre les limites de la recherche par mots-cl\u00e9s<\/h2>

Pour commencer, vous d\u00e9couvrirez comment la recherche traditionnelle par mot-cl\u00e9 ne permet pas toujours de saisir le sens des mots. Nous expliquerons comment la recherche s\u00e9mantique, qui s’appuie sur les \u00ab\u00a0embeddings\u00a0\u00bb, change la donne en se concentrant sur l’intention et le contexte au lieu de se contenter de faire correspondre les mots. <\/p><\/div><\/section>\n\n

Cartographie d’une architecture RAG dans le monde r\u00e9el<\/h2>

Ensuite, nous nous pencherons sur la situation dans son ensemble. Vous verrez comment les donn\u00e9es circulent dans un syst\u00e8me RAG, depuis la requ\u00eate de l’utilisateur jusqu’au mod\u00e8le linguistique, en passant par l’int\u00e9gration et l’extraction. Cela permet de clarifier exactement la place de PostgreSQL dans ce pipeline d’IA moderne. <\/p><\/div><\/section>\n\n

Premiers pas avec pgvector<\/h2>

Ensuite, vous passerez \u00e0 la pratique. Gr\u00e2ce \u00e0 des instructions pas \u00e0 pas et \u00e0 des scripts pr\u00eats \u00e0 l’emploi, vous installerez pgvector<\/code> et mettrez en place votre premi\u00e8re table d’int\u00e9gration. Vous pouvez suivre cette formation sur votre ordinateur portable ou dans le Cloud. <\/p><\/div><\/section>\n\n

Choisir le bon op\u00e9rateur de similarit\u00e9<\/h2>

Ensuite, nous nous pencherons sur les performances. Vous comparerez des m\u00e9thodes de similarit\u00e9 telles que le cosinus, l’euclidienne et le produit int\u00e9rieur. Gr\u00e2ce \u00e0 des d\u00e9monstrations SQL en direct, vous comprendrez comment chaque option affecte la vitesse, la pr\u00e9cision et le stockage. <\/p><\/div><\/section>\n\n

Int\u00e9gration backend avec Python ou Node<\/h2>

Une fois que votre recherche vectorielle fonctionne, vous apprendrez \u00e0 la relier \u00e0 des applications r\u00e9elles. En utilisant les mod\u00e8les LangChain et LangFlow, vous int\u00e9grerez des appels SQL, des filtres, des classements et des invites LLM dans des backends Python ou Node. <\/p><\/div><\/section>\n\n

Construire un chatbot RAG minimal<\/h2>

Enfin, vous r\u00e9unirez le tout. Vous int\u00e9grerez un \u00e9chantillon de donn\u00e9es de FAQ, r\u00e9cup\u00e9rerez les correspondances top-k et les transmettrez \u00e0 une fonction OpenAI<\/a>. Le r\u00e9sultat ? Un chatbot enti\u00e8rement fonctionnel qui donne aux utilisateurs des r\u00e9ponses fond\u00e9es et en temps r\u00e9el. <\/p><\/div><\/section>\n<\/div><\/div><\/section>

<\/h3>

Objectifs<\/h2>

A la fin de cet atelier, vous serez en mesure de :<\/p>

\n\n

<\/h2>