video1.0<iframe src="https://www.loom.com/embed/dab0cef6d37c4bc98a550b72b5808abf" frameborder="0" width="1662" height="1246" webkitallowfullscreen mozallowfullscreen allowfullscreen></iframe>12461662Loomhttps://www.loom.com12461662https://cdn.loom.com/sessions/thumbnails/dab0cef6d37c4bc98a550b72b5808abf-283324338e925980.gif522.402Ce Loom explique dans quels cas et comment vectoriser un système pour interroger efficacement de nombreux documents avec une IA. L’auteur rappelle qu’un “file system” suffit dans environ 95 pour cent des cas car l’IA lit et tokenise quelques fichiers pertinents, ce qui répond bien aux discussions et aux recherches sémantiques. En revanche, quand il faut explorer beaucoup de contenus, la fenêtre de contexte déborde et une base de données vectorielle devient nécessaire: tout est tokenisé et “embedé”, puis la requête est comparée à des embeddings de chunks pour retrouver des passages pertinents sans tout tokeniser. Le Loom décrit aussi comment fonctionnent les embeddings via la tokenisation en identifiants puis des vecteurs, et recommande QMD pour démarrer en local, avec des alternatives comme Quadrant ou Docklink si des limites sont atteintes.