Recherche approximative des plus proches voisins
La recherche approximative des plus proches voisins (ANN, approximate nearest neighbor) trouve des vecteurs proches d'une requête sans vérifier chaque vecteur stocké. Elle renonce à la garantie d'obtenir exactement la meilleure correspondance en échange d'une recherche bien plus rapide sur de grandes collections.
Aussi appelé : ANN, ANN search, approximate k-nearest neighbor
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Trouver les plus proches voisins exacts suppose de comparer la requête à chacun de vos vecteurs. C'est acceptable pour une petite collection et trop lent pour une très grande. Les algorithmes ANN construisent un index à l'avance, de sorte qu'une recherche ne touche qu'une petite partie des données.
Principales familles
Les index à base de graphes comme HNSW relient chaque vecteur à des vecteurs voisins et parcourent le graphe en direction de la requête. Les index par regroupement comme IVF rangent les vecteurs dans des compartiments et ne cherchent que dans ceux qui sont les plus proches de la requête. Les méthodes de quantification compriment les vecteurs pour en faire tenir davantage en mémoire et rendre les calculs de distance moins coûteux. Des bibliothèques comme Faiss combinent ces approches.
Le compromis
La qualité d'une recherche ANN se mesure par le rappel : la part des vrais plus proches voisins que l'index renvoie effectivement. Des paramètres comme le nombre de voisins du graphe à explorer ou le nombre de groupes à sonder arbitrent entre rappel, vitesse et mémoire. Pour la plupart des usages de recherche et de génération augmentée par récupération, un voisin proche est presque aussi utile que le voisin exact : la perte est donc faible.
O ù vous la croisez
Vous implémentez rarement l'ANN vous-même. Une base de données vectorielle choisit et règle un index pour vous, même si la plupart exposent des paramètres. Si les résultats semblent manquer des correspondances évidentes, vérifiez les paramètres de l'index avant d'accuser le modèle d'embedding. Mesurez avec des métriques de récupération sur un jeu annoté.
Termes liés
- HNSW
- HNSW (hierarchical navigable small world) est un index à base de graphe pour la recherche approximative des plus proches voisins. Il relie les vecteurs à leurs voisins sur plusieurs couches, afin qu'une recherche puisse progresser rapidement vers les correspondances les plus proches.
- Base de données vectorielle
- Une base de données vectorielle (vector database) stocke des embeddings avec leurs enregistrements source et retrouve les vecteurs stockés les plus proches d'un vecteur de requête, généralement à l'aide d'un index approximatif pour que la recherche reste rapide sur des millions d'éléments.
- Recherche vectorielle
- La recherche vectorielle (vector search) trouve des éléments en comparant leurs embeddings à celui d'une requête et en renvoyant les plus proches, si bien que les résultats correspondent par le sens plutôt que par des mots-clés communs.
- Métriques de recherche (recall@k, nDCG, MRR)
- Les métriques de recherche (retrieval metrics) mesurent la capacité d'un système de recherche à renvoyer des documents pertinents. Recall@k vérifie combien d'éléments pertinents figurent dans les k premiers, nDCG récompense un classement élevé de ces éléments, et MRR mesure à quel rang apparaît le premier résultat correct.
- Dimension d'embedding
- La dimension d'embedding est le nombre de valeurs de chaque vecteur produit par un modèle d'embedding. Davantage de dimensions peuvent contenir plus de détails, mais chaque valeur supplémentaire ajoute du coût de stockage, de mémoire et de recherche par élément.