Définition
Weaviate est une base de données vectorielle open-source, cloud-native, conçue pour stocker à la fois des vecteurs et des objets de données structurées. Elle se différencie par des modules ML intégrés (text2vec, img2vec) qui génèrent automatiquement des embeddings, éliminant le besoin de pipelines d’embedding externes. Weaviate utilise une API GraphQL pour les requêtes, supporte la recherche hybride (combinant recherche par mots-clés BM25 avec similarité vectorielle), et offre des vectoriseurs modulaires pour différents modèles (OpenAI, Cohere, Hugging Face, modèles locaux).
Pourquoi c’est important
Weaviate simplifie le développement d’applications IA:
- Vectorisation intégrée — pas de pipeline d’embedding séparé nécessaire
- Recherche hybride — combine recherche par mots-clés et sémantique en une requête
- Interface GraphQL — langage de requête convivial pour développeurs
- Multi-modal — supporte texte, images et types de données personnalisés
- Flexibilité de schéma — données structurées aux côtés des vecteurs
- Prêt pour production — scaling horizontal, réplication, multi-tenancy
Comment ça fonctionne
┌────────────────────────────────────────────────────────────┐
│ WEAVIATE │
├────────────────────────────────────────────────────────────┤
│ │
│ DIFFÉRENCIATEUR CLÉ: VECTORISATION INTÉGRÉE │
│ ─────────────────────────────────────────── │
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ │ │
│ │ Autres BDs Vectorielles: │ │
│ │ ┌─────────┐ ┌─────────────┐ ┌────────────┐ │ │
│ │ │ Votre │ │ API │ │ BD │ │ │
│ │ │ App │ → │ Embedding │ → │ Vect. │ │ │
│ │ │ │ │ (OpenAI) │ │ (Milvus) │ │ │
│ │ └─────────┘ └─────────────┘ └────────────┘ │ │
│ │ │ │
│ │ Vous gérez génération embedding séparément │ │
│ │ │ │
│ │ │ │
│ │ Weaviate: │ │
│ │ ┌─────────┐ ┌──────────────────────────────┐ │ │
│ │ │ Votre │ │ WEAVIATE │ │ │
│ │ │ App │ → │ ┌─────────────────────────┐│ │ │
│ │ │ │ │ │ module text2vec-openai ││ │ │
│ │ │ texte │ │ │ (auto-génère embed.) ││ │ │
│ │ │ "brut" │ │ ├─────────────────────────┤│ │ │
│ │ └─────────┘ │ │ Stockage Vecteur ││ │ │
│ │ │ └─────────────────────────┘│ │ │
│ │ └──────────────────────────────┘ │ │
│ │ │ │
│ │ Envoyez texte, Weaviate gère vectorisation │ │
│ │ │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
│ │
│ ARCHITECTURE WEAVIATE: │
│ ────────────────────── │
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ │ │
│ │ ┌─────────────────────────────────────────────┐ │ │
│ │ │ Couche API │ │ │
│ │ │ │ │ │
│ │ │ ┌───────────┐ ┌───────────┐ ┌─────────┐ │ │ │
│ │ │ │ GraphQL │ │ REST │ │ gRPC │ │ │ │
│ │ │ │ Query │ │ CRUD │ │ Proto │ │ │ │
│ │ │ └───────────┘ └───────────┘ └─────────┘ │ │ │
│ │ └─────────────────────────────────────────────┘ │ │
│ │ │ │ │
│ │ ▼ │ │
│ │ ┌─────────────────────────────────────────────┐ │ │
│ │ │ Système de Modules │ │ │
│ │ │ │ │ │
│ │ │ Vectoriseurs: │ │ │
│ │ │ ┌──────────────┐ ┌──────────────┐ │ │ │
│ │ │ │ text2vec- │ │ text2vec- │ │ │ │
│ │ │ │ openai │ │ huggingface │ │ │ │
│ │ │ └──────────────┘ └──────────────┘ │ │ │
│ │ │ │ │ │
│ │ │ Lecteurs/Générateurs: │ │ │
│ │ │ ┌──────────────┐ ┌──────────────┐ │ │ │
│ │ │ │ qna-openai │ │ generative- │ │ │ │
│ │ │ │ (Q&R) │ │ openai (RAG) │ │ │ │
│ │ │ └──────────────┘ └──────────────┘ │ │ │
│ │ └─────────────────────────────────────────────┘ │ │
│ │ │ │ │
│ │ ▼ │ │
│ │ ┌─────────────────────────────────────────────┐ │ │
│ │ │ Moteur de Stockage │ │ │
│ │ │ │ │ │
│ │ │ ┌─────────────────────────────────────┐ │ │ │
│ │ │ │ Index Vecteur HNSW │ │ │ │
│ │ │ │ (en mémoire pour vitesse) │ │ │ │
│ │ │ └─────────────────────────────────────┘ │ │ │
│ │ │ │ │ │
│ │ │ ┌─────────────────────────────────────┐ │ │ │
│ │ │ │ Index Inversé (BM25) │ │ │ │
│ │ │ │ (recherche mots-clés, filtrage) │ │ │ │
│ │ │ └─────────────────────────────────────┘ │ │ │
│ │ │ │ │ │
│ │ └─────────────────────────────────────────────┘ │ │
│ │ │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
│ │
│ RECHERCHE HYBRIDE (Feature Unique): │
│ ─────────────────────────────────── │
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ │ │
│ │ Requête: "machine learning best practices" │ │
│ │ │ │
│ │ Recherche Vectorielle (sémantique): │ │
│ │ Trouve docs conceptuellement similaires sur: │ │
│ │ • "Guidelines déploiement ML" │ │
│ │ • "Conseils entraînement modèles IA" │ │
│ │ │ │
│ │ + FUSION (combinaison pondérée) │ │
│ │ │ │
│ │ Recherche Mots-clés (BM25): │ │
│ │ Trouve correspondances exactes: │ │
│ │ • Docs avec phrase littérale │ │
│ │ • Documents techniques, commentaires code │ │
│ │ │ │
│ │ Résultat: Meilleur des deux mondes │ │
│ │ • Compréhension sémantique + matching exact │ │
│ │ • Alpha configurable (poids vecteur vs mot-clé) │ │
│ │ │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
└────────────────────────────────────────────────────────────┘Questions fréquentes
Q: Quand utiliser Weaviate vs Milvus?
R: Weaviate pour développement plus simple (vectorisation intégrée, GraphQL), meilleur pour équipes plus petites. Milvus pour échelle maximale (milliards de vecteurs), accélération GPU, et si vous avez déjà des pipelines d’embedding.
Q: Comment fonctionne la recherche hybride de Weaviate?
R: Combine scoring BM25 mots-clés avec similarité vectorielle, fusionne résultats avec poids alpha configurable. Alpha=1.0 est vecteur pur; alpha=0.0 est mots-clés pur.
Q: Quels modèles d’embedding Weaviate supporte?
R: OpenAI, Cohere, Hugging Face, Google PaLM, modèles transformers locaux, et modèles personnalisés via API.
Termes associés
- Base de données vectorielle — catégorie générale
- Milvus — BD vectorielle alternative
- Recherche sémantique — ce que Weaviate permet
- Embeddings — ce que Weaviate génère/stocke
Références
Weaviate (2024), “Weaviate Documentation”, Weaviate. [Documentation officielle]
van Hagen et al. (2021), “Weaviate: A Cloud-Native, Real-Time Vector Search Engine”, DB-Engines Blog. [Aperçu architecture]
Weaviate (2023), “Hybrid Search Explained”, Weaviate Blog. [Deep dive recherche hybride]
SeMI Technologies (2024), “Weaviate Modules”, Weaviate. [Écosystème modules]
References
Weaviate (2024), “Weaviate Documentation”, Weaviate. [Official documentation]
van Hagen et al. (2021), “Weaviate: A Cloud-Native, Real-Time Vector Search Engine”, DB-Engines Blog. [Architecture overview]
Weaviate (2023), “Hybrid Search Explained”, Weaviate Blog. [Hybrid search deep dive]
SeMI Technologies (2024), “Weaviate Modules”, Weaviate. [Module ecosystem]