Formation Milvus : Base de Données Vectorielle pour Applications IA

Formation Milvus : Base de Données Vectorielle pour Applications IA

[Jour 1 – Matin]

Fondamentaux des bases vectorielles

• Comprendre les embeddings et leurs usages (recherche sémantique, recommandation, RAG)
• Différence entre base relationnelle et base vectorielle
• Principes de la recherche de similarité (ANN)
• Métriques : cosine, L2, inner product
• Positionnement de Milvus dans l’écosystème des bases vectorielles
• Atelier pratique : Créer une collection, insérer des vecteurs et exécuter une recherche top-k.

[Jour 1 – Après-midi]

Architecture interne et modèle de données Milvus

• Composants et services clés de Milvus
• Collections, partitions, champs scalaires et métadonnées
• Persistance, segments et cycle de vie des données
• Gestion des index : objectifs, contraintes, compromis
• Notions de scalabilité et de performance

Indexation et optimisation des requêtes

• Choisir un index selon le cas d’usage
• Paramètres d’index et de recherche (recall/latence/coût)
• Recherche hybride : vecteur + filtres sur métadonnées
• Stratégies de batching, pagination, et dimensionnement
• Méthodologie de benchmark et indicateurs de qualité
• Atelier pratique : Comparer deux index et optimiser une requête (latence vs recall).

[Jour 2 – Matin]

Milvus pour le RAG et la recherche sémantique

• Rappels : pipeline RAG (chunking, embeddings, retrieval, génération)
• Stratégies de chunking et gestion du contexte
• Stockage des métadonnées : sources, permissions, scoring
• Intégration avec frameworks (ex : LlamaIndex, LangChain)
• Évaluation : pertinence, hallucinations, qualité de retrieval
• Atelier pratique : Construire un mini-RAG avec Milvus.

[Jour 2 – Après-midi]

Autres cas d’usage : recommandation, multimodal, anomalies

• Recommandation : similarité item-to-item, cold start et filtres métier
• Multimodal : texte + image (embeddings CLIP/vision)
• Détection d’anomalies : voisinage, seuils et dérive
• Organisation des données : stratégie de métadonnées et versionning
• Anti-patterns courants et bonnes pratiques

Industrialisation et mise en production

• Déploiement : standalone, cluster, environnements containerisés
• Haute disponibilité, sauvegarde et reprise
• Observabilité : métriques, logs, SLO, alerting
• Sécurité : isolation, contrôle d’accès, gouvernance des données
• Stratégie d’évolution : re-indexation, montée en charge, coûts
• Atelier pratique : Checklist production + plan d’architecture cible.