""" Ce module permet de créer et utiliser un index FAISS pour rechercher rapidement des vecteurs similaires La fonction build_faiss_index construit un index à partir d’une liste de vecteurs (embeddings) en normalisant les vecteurs pour mesurer la similarité par cosinus La fonction search_faiss cherche les vecteurs les plus proches d’un vecteur donné (requête) et retourne les distances et positions des meilleurs résultats """ import numpy as np import faiss """ Construire un index FAISS à partir d'une matrice d'embeddings pour pouvoir faire des recherches rapides par similarité """ def build_faiss_index(embeddings): # Récupère la dimension des vecteurs dimension = embeddings.shape[1] # Crée un index FAISS pour recherche par produit scalaire index = faiss.IndexFlatIP(dimension) # Normalise les vecteurs pour utiliser la similarité cosinus (norme L2 = 1) faiss.normalize_L2(embeddings) index.add(embeddings) return index """ Trouver les top_k vecteurs les plus similaires à un vecteur de requête en utilisant la similarité cosinus """ def search_faiss(index, query_embedding, top_k=10): faiss.normalize_L2(query_embedding) distances, indices = index.search(query_embedding, top_k) return distances[0], indices[0]