Recherche ANN
Approximate Nearest Neighbor — recherche de similarité vectorielle en temps sous-linéaire. Compromis : 95 à 99 % de rappel pour un gain de 100 à 1000× face à la force brute en O(N). Fondement du RAG et de la recherche par embeddings.
Algorithmes : HNSW (graphe hiérarchique de petit monde, le choix par défaut de FAISS), IVF (index inversé avec partitionnement), LSH (hachage sensible à la localité, surtout historique), ScaNN (Google, approche mixte). Implémentations : FAISS (Meta), pgvector (extension Postgres), Milvus, Qdrant, Weaviate, Pinecone, Chroma. Le réglage rappel contre vitesse passe par le paramètre M de HNSW (degré du graphe), ef-construction et ef-search. Bonne pratique actuelle : HNSW sous 10 M de vecteurs, IVF + PQ à l'échelle du milliard. ANN sur disque (DiskANN, Microsoft) pour les très grands volumes que la RAM ne peut pas contenir.