VectorAI DB

Qu'est-ce que VectorAI DB ?

Actian VectorAI DB est une base de données vectorielle portable et locale en priorité, conçue pour les systèmes d'IA nécessitant une recherche sémantique et hybride au-delà du cloud. Elle stocke les embeddings vectoriels et prend en charge la recherche par similarité, permettant aux applications de récupérer des résultats par sens plutôt que par mots-clés.

L'objectif principal du produit est d'aider les équipes à déployer la recherche vectorielle dans des environnements où les dépendances cloud et la latence réseau sont des contraintes — comme les appareils edge, les systèmes on-premises et les installations déconnectées — tout en maintenant une récupération rapide et prévisible.

Fonctionnalités clés

• Base de données vectorielle locale en priorité pour edge et on-premises : Permet la recherche sémantique sans dépendre d'appels à des bases de données vectorielles cloud.
• Récupération en temps réel visant une faible latence : Le site met en avant un comportement sous 100 ms (y compris « 13 millisecondes p99 latency ») pour les applications IA en temps réel.
• Fonctionnement hors ligne avec synchronisation ultérieure : Prend en charge les environnements déconnectés où une connectivité internet fiable ne peut être supposée.
• Modèle de déploiement portable sur divers environnements : La même architecture est adaptée au passage du développement à la production, des appareils embarqués aux déploiements d'entreprise.
• Contrôle des données pour les besoins réglementaires et de résidence : Le site indique que le déploiement on-premises peut supporter les exigences de résidence de données de type GDPR et HIPAA en évitant le traitement cloud tiers.
• Flux de collection et de requête orienté développeur : Les exemples montrent la création de collections avec une taille vectorielle définie, l'upsert de points avec payloads, et la recherche par vecteur d'embedding.

Comment utiliser VectorAI DB

1. Installer via Docker :
   • Exécuter docker pull actian/vectorai-db
   • Démarrer le service avec docker run -d -p 50051:50051 actian/vectorai-db
2. Créer une collection et définir les paramètres vectoriels (ex. : taille du vecteur et métrique de distance) pour correspondre à votre modèle d'embedding.
3. Insérer des vecteurs sous forme de points, incluant un id et un payload de métadonnées optionnel.
4. Rechercher par similarité : générer un embedding pour une requête et exécuter une recherche vectorielle pour retourner les correspondances les plus proches (avec scores de similarité).

Le guide de documentation insiste aussi sur la construction d'une petite application d'abord, puis le déploiement de la même configuration sur les environnements cibles (ordinateur portable, appareils embarqués ou on-prem).

Cas d'usage

• IA edge embarquée effectuant une recherche sémantique : Déployer sur des appareils comme les systèmes de classe Raspberry Pi pour exécuter une recherche basée sur le sens là où l'accès internet est limité ou indisponible.
• Déploiements edge en usine pour l'optimisation de production : Exécuter la recherche vectorielle sur des serveurs edge en environnements déconnectés pour des tâches comme la maintenance prédictive, l'inspection qualité ou l'optimisation de production.
• Récupération air-gapped pour environnements réglementés : Utiliser une configuration locale en priorité pour les environnements où les données doivent rester dans une infrastructure contrôlée et où les services cloud ne sont pas autorisés.
• Recherche clinique et de dossiers on-prem en santé : Garder les données liées aux patients on-premises tout en exécutant une récupération sémantique pour le support décisionnel clinique, les workflows d'imagerie médicale et la recherche de dossiers (comme décrit dans les cas d'usage du site).
• Récupération de plateforme hybride ou multi-sites : Gérer la recherche vectorielle sur des sites distribués (edge plus cloud optionnel) avec une approche de base de données cohérente du prototype à la production.

FAQ

À quoi sert VectorAI DB ?

Il est utilisé comme base de données vectorielle pour stocker les embeddings et exécuter une recherche sémantique (et hybride) près de l'endroit où votre application IA s'exécute, y compris en edge et on-premises.

Comment commencer à utiliser VectorAI DB ?

Un démarrage typique consiste à installer le serveur avec Docker, créer une collection avec configuration vectorielle (taille du vecteur et distance), upsert des vecteurs avec métadonnées, et exécuter une recherche par similarité via des embeddings pour les requêtes.

Prend-il en charge les environnements déconnectés ou hors ligne ?

Le site indique qu'il est conçu pour fonctionner hors ligne dans des environnements et se synchroniser quand une connexion est disponible.

En quoi VectorAI DB diffère-t-il des bases de données vectorielles cloud ?

Le site présente la différence comme un fonctionnement local en priorité et une dépendance réduite aux allers-retours réseau, qui peuvent autrement ajouter de la latence aux requêtes pour les applications en temps réel.

VectorAI DB est-il lié à un modèle d'embedding spécifique ?

Les exemples montrent l'utilisation d'une fonction embed() du modèle du développeur, mais le site ne spécifie pas un modèle unique requis ; la configuration doit correspondre à la taille de votre vecteur d'embedding.

Alternatives

• Bases de données vectorielles auto-gérées pour on-prem : Au lieu d’une approche locale-first du même fournisseur, envisagez d’autres systèmes de bases de données vectorielles que vous pouvez déployer sur votre propre infrastructure ; la différence clé est que le produit est-il optimisé pour des opérations edge/on-prem cohérentes.
• Stacks de recherche hybride (recherche vectorielle + recherche par mots-clés) : Si vous avez besoin d’une récupération combinée par mots-clés et sémantique, cherchez des plateformes qui supportent les deux modes de récupération et qui peuvent s’exécuter dans votre environnement de déploiement.
• Inférence edge plus services de récupération locaux : Pour les environnements contraints, vous pouvez associer l’inférence de modèles edge à un composant de récupération on-device ou hébergé edge ; le compromis est la complexité architecturale versus un workflow unique basé sur une base de données.
• Bases de données vectorielles hébergées cloud : Les solutions cloud peuvent être plus simples à démarrer, mais le site met en avant la latence et les restrictions de déploiement comme raisons de choisir des déploiements local-first pour les scénarios edge et déconnectés.