Démystifions les bases de données vectorielles avec Qdrant

On entend fréquemment parler des bases de données vectorielles à cause de l’intérêt suscité par les LLM. L’utilité de ces bases de données ne se limite pourtant pas à ce domaine. En effet, on peut les utiliser pour résoudre tout algo de calcul de similarité: moteurs de recommandation, recherche sémantique, multi-modale, etc.

Au cours de ce talk, vous découvrirez les bases de données vectorielles, leurs use-cases ou encore leurs mécanismes internes, mais aussi l’art de la représentation vectorielle et les différentes méthodes de calcul de distances. Je ferai également un tour d’horizon de l’éco-système, pour me concentrer ensuite sur Qdrant, l’une des solutions les plus populaires. Et comme rien ne vaut un peu de pratique, on le mettra en œuvre pour implémenter un petit moteur de recommandation en Rust.

Mon objectif est qu’à la fin de ce talk, vous soyez à l’aise pour parler des bases de données vectorielles. Le but est que vous puissiez faire les bons choix d’algos selon votre besoin métier et peut être même que je vous aurai convaincu de l’utilité de Qdrant.