ANN : Approximate Nearest Neighbor
IA
ANN : Approximate Nearest Neighbor. « Plus proche voisin approximatif », par analogie avec le libraire qui file au bon rayon sans parcourir chaque livre du magasin.
Le compromis : Une recherche exacte des k plus proches voisins (k-NN) compare la requête à tous les vecteurs, ce qui devient intenable à des millions d'embeddings. L'ANN accepte de rater parfois un voisin pour répondre beaucoup plus vite.
Index : Les approches courantes reposent sur des graphes de proximité comme HNSW (Hierarchical Navigable Small World), sur le partitionnement en grappes ou sur la quantification des vecteurs pour réduire mémoire et calcul.
Mesurer : On évalue un index par son rappel : la part des vrais plus proches voisins effectivement retrouvés. Un rappel de 95 % dans une démonstration commerciale se lit toujours en même temps que la question qu'on n'a pas posée : sur quelles données, et à quelle latence.
Usages : Bases vectorielles comme Qdrant, recherche sémantique, et étape de récupération d'un système RAG.
Ce qui arrive si on s'en passe
Sans index approximatif, chaque requête compare le vecteur demandé à tous les autres, et une recherche sémantique sur des millions d'embeddings devient une épreuve d'endurance que l'utilisateur abandonne avant la fin. À l'inverse, adopter un index sans mesurer son rappel revient à accepter qu'une part inconnue des bons résultats manque à l'appel : dans un système RAG, le passage qui contenait la réponse n'est jamais récupéré, et le modèle comble le vide avec l'assurance de celui qui n'a pas lu le dossier. L'erreur ne laisse aucune trace, un voisin absent ayant rarement la courtoisie de signaler son absence.
Explication de la marmotte
Quand un ordinateur cherche des textes ou des images qui ressemblent à une question, il les transforme en listes de nombres puis cherche les plus proches. Tout comparer un par un prendrait trop de temps quand il y en a des millions. Alors on range ces données à l'avance de façon astucieuse, pour aller directement dans le bon coin. Le résultat est presque toujours le bon, rarement un peu à côté, mais il arrive en une fraction de seconde. C'est comme chercher un ami dans un stade en commençant par sa tribune.
Où ce terme est utilisé
- Déployer Qdrant local pour recherche sémantique interne (4 occurrences)
- Comparer les bases vectorielles à grande échelle (3 occurrences)
- Embeddings : vecteurs, recherche sémantique et RAG (3 occurrences)