Lab
Mémoire IA : quand SQL suffit, quand mesurer un graphe
Réponse courte
Une mémoire relie des décisions, des personnes, des versions et des événements. Cette dimension relationnelle peut donner envie d'introduire une base graphe. Notre démarche a consisté à séparer deux questions : ces relations améliorent-elles les réponses, et faut-il un moteur supplémentaire pour les servir ?

La relation utile vient avant le moteur
Le lien entre une décision et celle qui la remplace apporte une information précise. Le nom de l’auteur, l’origine d’une reformulation ou la date d’un changement peuvent également lever une ambiguïté. Une simple proximité entre deux textes ne fournit pas les mêmes garanties.
Nous avons donc distingué les relations établies par la structure du système de celles extraites par un modèle. Les premières s’appuient sur des événements connus : écriture, remplacement, appartenance ou départ. Les secondes proposent une interprétation du contenu.
Cette distinction permet de chercher l’origine d’un gain. Une réponse peut s’améliorer parce qu’elle reçoit une provenance absente, sans que le moteur de stockage soit la cause de cette amélioration.
Cela garde aussi l’évaluation centrée. Avant de comparer des technologies, il faut savoir quelle information améliore la réponse et dans quelle mesure elle est fiable.
Ce que le banc relationnel a révélé : portée et limites
L’expérience a comparé la recherche de référence, une restitution de relations canoniques et cette même structure complétée par une extraction de relations. Un moteur graphe séparé a également été confronté au service SQL.
Le corpus synthétique comprend quatre mondes de test, chacun avec deux organisations, et 240 questions au total. Les relations citées aident notamment la provenance, la passation et l’historique. Une part importante de l’amélioration vient de la structure canonique, sans extraction par modèle.
Le résultat global ne suffit pourtant pas à valider l’approche complète. Certains cas de dépendances et un témoin simple régressent au-delà des limites fixées. L’extraction obtient un rappel élevé, mais une précision d’environ 0,24 : beaucoup de relations proposées ne correspondent pas à la vérité attendue du banc.
Ce résultat souligne une différence essentielle. Ajouter des liens peut améliorer une moyenne tout en introduisant des erreurs inacceptables dans une famille de questions.
Pourquoi un second stockage doit prouver son utilité
Dans les essais d’échelle, SQL répond aux besoins mesurés jusqu’à cinq millions d’arêtes. Le moteur graphe gagne sur certains plus courts chemins, mais ne démontre pas un goulot général de SQL justifiant un second stockage.
Un autre contrôle compare une projection entretenue au fil des changements à sa reconstruction complète depuis la source. Il révèle une divergence liée à un événement non repris dans l’entretien. Ce contrôle attrape un problème qu’une simple mesure de rapidité n’aurait pas montré.
La question d’architecture inclut donc la synchronisation, les corrections et les droits. Une représentation dérivée doit pouvoir être reconstruite et rester cohérente après chaque changement pertinent. Deux moteurs ne signifient pas seulement deux façons de chercher ; ils ajoutent un état à maintenir.
La complexité d’exploitation fait ainsi partie du résultat, et non d’un après-coup. Une requête plus rapide n’a de valeur que dans un système qui continue de restituer l’information correcte et autorisée.
Un index vectoriel pose une question comparable
PostgreSQL avec pgvector peut rechercher des représentations numériques. Un index approché tel que HNSW peut accélérer certains parcours, avec un compromis sur le rappel et un coût de construction et d’écriture.
Mais la présence de l’index ne signifie pas que la requête l’utilise. Dans la forme de recherche étudiée, le regroupement des fragments par mémoire puis le tri ne suivent pas le chemin attendu par cet index. Le plan réel de la requête compte davantage que le nom de la technologie installée.
Des bancs synthétiques montrent aussi que l’intérêt dépend du volume à parcourir et de la structure des vecteurs. Une variante rapide sur une distribution peut perdre beaucoup de rappel sur une autre. Un temps de réponse isolé ne décrit donc pas la qualité de la recherche.
Le critère de choix pour une mémoire durable
Nous retenons une séquence : identifier une information manquante, mesurer ce qu’apporte sa restitution, puis examiner le moteur si un goulot apparaît. Les relations utiles peuvent être servies en SQL. Un index vectoriel doit être évalué sur les requêtes réelles et comparé à une recherche exacte.
Les résultats du Lab ne prouvent pas que SQL remplace tout graphe, ni qu’un index approché est inutile. Ils expliquent pourquoi ajouter une technologie exige un bénéfice démontré pour le problème rencontré.
Pour Nawame, cette discipline réduit la complexité à entretenir autour des versions et des droits. Elle rejoint nos travaux sur les embeddings incrémentaux et la mesure avant complexification. La souveraineté comprend aussi la capacité à comprendre et maîtriser les représentations de sa mémoire.
À lire aussi : RAG, base vectorielle ou mémoire IA : que choisir ?.


