Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Filtrage par métadonnées

Le filtrage par métadonnées (metadata filtering) limite une recherche aux éléments dont les attributs stockés, comme la date, l'auteur, la langue ou le groupe d'accès, remplissent des conditions données, en complément ou en amont du classement par similarité vectorielle.

Aussi appelé : filtered vector search, payload filtering

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Un embedding saisit le sujet d'un passage, pas des faits comme « publié après mars » ou « visible par l'équipe finance ». Le filtrage par métadonnées couvre ces cas. Chaque vecteur d'une base de données vectorielle est stocké avec des champs (Qdrant les appelle une payload), et une requête peut dire « les plus proches voisins, mais seulement là où le tenant est acme et où l'année est l'année en cours ».

Pourquoi c'est important

Les filtres rendent les résultats corrects, pas seulement similaires. Un bot de support ne doit citer que la version actuelle d'une politique. Une application multi-tenant ne doit jamais renvoyer les documents d'un autre client. Filtrer sur des champs d'accès au moment de la requête est une couche de cette protection, mais ce ne devrait pas être la seule.

Comment on le fait

Le pré-filtrage applique d'abord la condition, puis ne cherche que parmi les vecteurs correspondants. Le post-filtrage cherche d'abord, puis écarte les éléments qui ne passent pas, ce qui peut laisser trop peu de résultats. Les bases de données vectorielles modernes filtrent surtout pendant le parcours de l'index. Créer un index sur les champs filtrés maintient la rapidité.

Limites

Des filtres très sélectifs peuvent nuire au rappel dans les index en graphe comme HNSW, car le parcours dispose de moins de nœuds valides. Les métadonnées ne valent que ce que valent le parsing de documents et l'ingestion qui les ont produites : des dates manquantes ou des propriétaires erronés donnent des résultats faux. Testez séparément les requêtes filtrées quand vous mesurez les métriques de recherche.

Termes liés

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.
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.
Recherche hybride
La recherche hybride (hybrid search) exécute une recherche par mots-clés et une recherche vectorielle sur la même requête et fusionne les deux listes classées, afin que les résultats puissent correspondre aux mots exacts comme au sens.
Analyse de documents
L'analyse de documents (document parsing) convertit des fichiers comme des PDF, des numérisations, des diapositives et des tableurs en texte structuré exploitable par un logiciel, en conservant les titres, l'ordre de lecture, les tableaux et les images au lieu d'un flux plat de caractères.
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.

Sources