Vectorize

Le constructeur de pipelines est le cœur de l'outil. Vous choisissez une source, une base de destination et un modèle d'embeddings, et Vectorize assemble pour vous les étapes d'extraction, de découpage, d'embeddings et de stockage. On configure en cliquant plutôt qu'en codant, ce qui raccourcit le délai entre le branchement d'une source et un index interrogeable. Les équipes qui veulent changer de modèle plus tard le font sans reconstruire tout le flux.

Presque toutes les configurations RAG deviennent périmées dès qu'un document change, car l'indexation tourne selon un calendrier fixe. Vectorize surveille vos sources connectées et pousse les changements vers le stockage vectoriel au moment où ils surviennent : une nouvelle page de politique ou un ticket résolu arrivent dans l'index peu après leur apparition. Les réponses restent ainsi liées à ce qui existe vraiment dans vos systèmes aujourd'hui.

L'endpoint de récupération réunit plusieurs étapes en un seul appel. Il vectorise la requête entrante, exécute une recherche k-ANN sur votre index, réécrit éventuellement la requête à partir de l'historique de conversation et applique un reclassement intégré. Les résultats reviennent avec des scores de pertinence, la similarité cosinus et des métadonnées, ce qui aide quand il faut afficher les sources ou filtrer par attributs de document plutôt que recevoir un simple bloc de texte.

L'intégration base de données vectorielle vous laisse choisir le stockage. Vectorize stocke les embeddings dans une base que vous choisissez au lieu d'enfermer les données dans son propre stockage. Les connecteurs prêts à l'emploi couvrent Pinecone, Qdrant, Weaviate, PostgreSQL, Elastic, Azure AI Search, Neo4j, Milvus et d'autres. Vous conservez les outils de requête, les contrôles d'accès et les sauvegardes sur lesquels vous comptez déjà, et vous pouvez déplacer les données ou faire tourner des charges mixtes sur le même stockage.

La liste de connecteurs va là où vivent les contenus réels : stockage cloud comme Amazon S3 et Google Cloud Storage, applications de productivité comme Google Drive et Dropbox, outils de conversation comme Discord et plateformes comme Confluence, GitHub ou Intercom. Ingérer directement depuis ces sources évite d'exporter le tout vers un dossier temporaire, ce qui réduit à la fois le travail de mise en place et les désynchronisations.

Vous n'êtes pas lié à un seul fournisseur d'embeddings. La plateforme prend en charge des modèles d'OpenAI, Voyage AI, Amazon Bedrock, Vertex AI et d'autres plateformes d'IA : vous pouvez peser le coût face à la qualité de récupération et choisir pipeline par pipeline. Changer de fournisseur plus tard relève du réglage de configuration et non de la réécriture, ce qui aide quand un modèle meilleur ou moins cher apparaît.

Vectorize Iris gère les PDF complexes que l'extraction de texte simple abîme, comme les pages scannées, les tableaux denses et les mises en page où le sens dépend de la structure. Il lit la disposition visuelle pour que les fragments vectorisés gardent les relations de tableau et de page qui comptent pour une récupération précise, là où les analyseurs simples échouent souvent.