import numpy as np import faiss import json """ Construire un index FAISS à partir d'une matrice d'embeddings pour pouvoir faire des recherches rapides par similarité """ def build_faiss_index(embeddings): try: dimension = embeddings.shape[1] index = faiss.IndexFlatL2(dimension) index.add(embeddings) return index except Exception as e: print("Erreur lors de la création de l'index FAISS :", e) raise """ Trouver les top_k vecteurs les plus similaires à un vecteur de requête en utilisant la similarité cosinus """ def search_faiss(index, query_embeddings, top_k=10): query_embeddings = np.asarray(query_embeddings) # Assurer la bonne forme if query_embeddings.ndim == 1: query_embeddings = np.expand_dims(query_embeddings, axis=0) faiss.normalize_L2(query_embeddings) distances, indices = index.search(query_embeddings, top_k) return distances, indices