""" embedding_index.py 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 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