10 façons dont l’IA générative bouleverse la base de données traditionnelle

Par Peter Wayner

Rédacteur collaborateur, InfoWorld |

Malgré tout le flash et le charisme de l’IA générative, les plus grandes transformations de cette nouvelle ère pourraient être profondément enfouies dans la pile logicielle. Cachés, les algorithmes d’IA changent le monde, une base de données à la fois. Ils bouleversent les systèmes conçus pour suivre les données du monde dans des tableaux réguliers sans fin, en les remplaçant par de nouvelles capacités d'IA complexes, adaptatives et apparemment intuitives.

Les mises à jour arrivent à tous les niveaux de la pile de stockage de données. Les structures de données de base sont en cours de révision. Les créateurs de bases de données transforment la façon dont nous stockons les informations pour mieux fonctionner avec les modèles d’IA. Le rôle de l’administrateur de base de données, autrefois sérieux et mécaniste, évolue pour devenir plus étendu. Fini les employés livresques et place aux sorciers qui lisent dans les pensées.

Voici 10 façons dont la base de données évolue, s'adapte et s'améliore à mesure que l'IA devient de plus en plus omniprésente.

Les développeurs d’IA aiment stocker les informations sous forme de longs vecteurs de nombres. Dans le passé, les bases de données stockaient ces valeurs sous forme de lignes, chaque numéro étant dans une colonne distincte. Désormais, certaines bases de données prennent en charge les vecteurs purs, il n'est donc pas nécessaire de diviser les informations en lignes et en colonnes. Au lieu de cela, les bases de données les stockent ensemble. Certains vecteurs utilisés pour le stockage comportent des centaines, voire des milliers de nombres.

Ces vecteurs sont généralement associés à des plongements, un schéma permettant de convertir des données complexes en une seule liste de nombres. Concevoir des intégrations reste encore un art et repose souvent sur la connaissance du domaine sous-jacent. Lorsque les intégrations sont bien conçues, les bases de données peuvent offrir un accès rapide et des requêtes complexes.

Certaines sociétés comme Pinecone, Vespa, Milvus, Margo et Weaviate créent de nouvelles bases de données spécialisées dans le stockage de vecteurs. D'autres comme PostgreSQL ajoutent des vecteurs à leurs outils actuels.

L'ajout de vecteurs aux bases de données apporte plus que de la commodité. Les nouvelles fonctions de requête peuvent faire plus que simplement rechercher des correspondances exactes. Ils peuvent localiser les valeurs « les plus proches », ce qui permet de mettre en œuvre des systèmes comme des moteurs de recommandation ou de détection d'anomalies. L'intégration de données dans l'espace vectoriel simplifie les problèmes délicats impliquant la correspondance et l'association à une simple distance géométrique.

Les bases de données vectorielles comme Pinecone, Vespa, Milvus, Margo et Weaviate proposent des requêtes vectorielles. Certains outils inattendus comme Lucene ou Solr proposent également une correspondance de similarité qui peut donner des résultats similaires avec de gros blocs de texte non structuré.

Les nouveaux systèmes de requêtes vectorielles semblent plus magiques et mystérieux que ce que nous avions autrefois. Les anciennes requêtes recherchaient des correspondances ; ces nouvelles bases de données basées sur l'IA ont parfois l'impression de lire dans les pensées de l'utilisateur. Ils utilisent des recherches de similarité pour trouver des éléments de données « proches » et qui correspondent souvent bien à ce que veulent les utilisateurs. Le calcul qui sous-tend tout cela est peut-être aussi simple que de trouver la distance dans un espace à n dimensions, mais d'une manière ou d'une autre, cela suffit à produire l'inattendu. Ces algorithmes fonctionnent depuis longtemps séparément en tant qu'applications complètes, mais ils sont progressivement intégrés dans la base de données elle-même, où ils peuvent prendre en charge des requêtes meilleures et plus complexes.

Oracle n'est qu'un exemple de base de données ciblant ce marché. Oracle propose depuis longtemps diverses fonctions de correspondance floue et de recherche de similarité. Désormais, il propose directement des outils personnalisés pour des secteurs comme la vente au détail en ligne.

Dans le passé, les bases de données créaient des index simples permettant une recherche plus rapide dans des colonnes particulières. Les administrateurs de bases de données étaient habiles à créer des requêtes élaborées avec des clauses de jointure et de filtrage qui s'exécutaient plus rapidement avec les bons indices. Désormais, les bases de données vectorielles sont conçues pour créer des indices qui couvrent efficacement toutes les valeurs d'un vecteur. Nous commençons tout juste à comprendre toutes les applications permettant de trouver des vecteurs « proches » les uns des autres.