Formation Qdrant Database Vector

Programme de formation Qdrant Database Vector

[Jour 1 – Matin]

Fondamentaux des bases vectorielles et prise en main de Qdrant

• Comprendre les embeddings : dimensions, similarité (cosine/dot/Euclidean) et impacts sur la recherche
• Concepts Qdrant : collections, points, vectors, payload, indexes
• Installation et démarrage : Docker, configuration minimale, vérifications via API
• Premiers appels API : création de collection, insertion de points, recherche k-NN
• Atelier pratique : Démarrer Qdrant et réaliser une première recherche de similarité via REST.

[Jour 1 – Après-midi]

Modélisation des données : payload, filtres et qualité de recherche

• Structurer le payload (métadonnées) pour des cas d’usage : RAG, recommandation, recherche produit
• Requêtes hybrides : combinaison similarité vectorielle + filtres (must/should/must_not)
• Gestion des mises à jour : upsert, suppression, versionnement logique des documents
• Évaluer la pertinence : top-k, seuils, déduplication, gestion des doublons et normalisation
• Atelier pratique : Implémenter une recherche filtrée (par langue, date, catégorie) sur une collection existante.

[Jour 2 – Matin]

Performance et indexation : HNSW, quantization et tuning

• Index HNSW : principes, paramètres clés (m, ef_construct, ef_search) et compromis latence/recall
• Optimiser l’ingestion : batch upsert, parallélisation, dimensionnement et bonnes pratiques
• Stockage et mémoire : segments, compaction, impacts sur les temps de réponse
• Quantization (selon version) : objectifs, cas d’usage, validation de la perte de qualité
• Atelier pratique : Mesurer recall/latence et ajuster ef_search et m pour atteindre un objectif de performance.

[Jour 2 – Après-midi]

Industrialisation : sécurité, exploitation et intégration applicative

• Architecture de déploiement : standalone vs cluster, réplication, sharding et haute disponibilité
• Sécurité et gouvernance : clés/API, isolation réseau, gestion des données sensibles dans le payload
• Supervision : métriques, logs, alerting, diagnostics de requêtes lentes
• Intégration applicative : workflow RAG (chunking, embeddings, retrieval), pagination et reranking (concepts)
• Atelier pratique : Construire un mini-pipeline RAG (ingestion + retrieval) et valider le comportement en production (timeouts, retries, monitoring).