Quantification vectorielle
Technique de compression pour bases de données vectorielles. Fait passer des vecteurs flottants de 1024 dimensions (~4 Ko) à des codes de 8 à 32 octets par regroupement (clustering). Rend possible la recherche d'embeddings à l'échelle du milliard sur une seule machine. Algorithme classique : la quantification par produit (Jégou et al., 2011).
Principe : découper le vecteur en 8 à 16 sous-vecteurs, appliquer un k-means séparé à chaque sous-dimension (256 centroïdes) et stocker un indice de 0 à 255 par sous-vecteur. Le calcul de distance devient une simple consultation de table — rapide. L'Inverted File Index (IVF) ajoute par-dessus un regroupement qui borne le nombre de candidats. FAISS, ScaNN, Milvus et Qdrant en implémentent des variantes. Compromis : compression mémoire d'un facteur 100, rappel qui passe de 100 % à 90–98 % selon les paramètres. HNSW est le concurrent — plus de mémoire, meilleur rappel.