Les limites du Vector Search sur les Données Scientifiques

Ce que le vector search promet, et pourquoi cela suffit rarement en sciences 

Depuis l’essor des modèles de langage de grande taille, le vector search s’est imposé comme la technique de référence pour la recherche sémantique dans les systèmes RAG. Le principe est simple : chaque fragment de texte est converti en un vecteur numérique dans un espace de haute dimension, et la recherche consiste à trouver les vecteurs les plus proches de celui de la requête. Deux textes sémantiquement proches se retrouveront proches dans cet espace, même si aucun mot n’est partagé. 

Cette promesse est réelle pour un large spectre de cas d’usage : retrouver des documents thématiquement similaires, répondre à des questions en langage naturel sur une base documentaire généraliste, identifier des passages pertinents dans un corpus hétérogène. C’est sur ces cas que les démonstrations sont convaincantes, et c’est pourquoi la technologie a été adoptée massivement. 

Le problème, c’est que les données scientifiques en Life Sciences ne ressemblent pas à une base documentaire généraliste. Elles combinent des types d’information profondément hétérogènes, soumis à des contraintes de précision que le vector search n’est structurellement pas équipé pour satisfaire. 

Les quatre limites structurelles du vector search sur les données scientifiques 

1. Les identifiants techniques ne se vectorisent pas 

Un chercheur qui recherche le lot LT-2024-0042 cherche exactement ce lot, pas un lot sémantiquement proche. Un numéro CAS, un code FASTA, un identifiant EudraCT, un code MedDRA ou un numéro de protocole sont des chaînes de caractères dont la signification est entièrement portée par leur valeur exacte, pas par leur proximité sémantique avec d’autres termes. 

Les modèles d’embedding ne sont pas entraînés pour préserver cette exactitude. Deux codes CAS très proches orthographiquement peuvent désigner des molécules sans aucun rapport, et deux identifiants de lots apparemment dissemblables peuvent renvoyer à des études étroitement liées. La recherche vectorielle sur ces données produit des résultats dont le classement est arbitraire du point de vue scientifique. 

La recherche lexicale exacte, avec correspondance stricte sur les identifiants, est ici irremplaçable. C’est une capacité que le vector search seul ne peut pas émuler. 

2. Les ontologies biomédicales introduisent une polysémie que les embeddings gèrent mal 

Les données Life Sciences sont structurées autour de vocabulaires contrôlés : MeSH, SNOMED CT, MedDRA, ChEBI, CDISC. Ces ontologies ne sont pas de simples listes de synonymes. Elles définissent des hiérarchies, des relations entre concepts et des équivalences formelles entre termes issus de systèmes différents. 

Paracétamol et acétaminophène désignent la même molécule. Insuffisance cardiaque congestive et ICC sont le même concept clinique. Un événement indésirable décrit en texte libre dans un rapport de pharmacovigilance correspond à un terme MedDRA précis dans un dossier de soumission réglementaire. Ces équivalences ne sont pas capturées de manière fiable par les embeddings, qui dépendent de la distribution statistique des mots dans les corpus d’entraînement. 

Un système qui repose uniquement sur le vector search manquera systématiquement une partie des résultats pertinents parce qu’il ne comprend pas ces équivalences formelles. Dans un contexte réglementé, ce n’est pas un biais acceptable : c’est une source d’erreur. 

3. Les données multimodales et les formats scientifiques spécifiques résistent à la vectorisation 

Une grande partie des données scientifiques ne se présente pas sous forme de texte narratif. Les structures chimiques sont encodées en SDF ou SMILES, les séquences biologiques en FASTA, les spectres analytiques en formats propriétaires d’instruments, les données d’imagerie en DICOM. Ces formats transportent une information hautement structurée dont la sémantique est inaccessible aux modèles de langage généralistes sur lesquels reposent la plupart des solutions d’embedding. 

Vectoriser un fichier SDF comme s’il était du texte produit une représentation dénuée de sens chimique. Aucun modèle d’embedding standard n’est capable d’inférer que deux structures moléculaires ont un scaffold commun, qu’une séquence est homologue à une autre, ou qu’un spectre correspond à un composé déjà répertorié. Ces inférences nécessitent des modèles spécialisés entraînés sur des données du domaine, pas des embeddings de texte généralistes. 

4. La reproductibilité des résultats n’est pas garantie 

En environnement réglementé, la reproductibilité n’est pas une propriété optionnelle. Si un chercheur exécute la même requête deux fois à quelques jours d’intervalle, il doit obtenir le même ensemble de résultats, à corpus constant. Les systèmes de recherche vectorielle introduisent une variabilité qui tient à plusieurs facteurs : sensibilité aux reformulations de la requête, dépendance au modèle d’embedding utilisé, comportement des algorithmes de recherche approximative par similarité. 

Cette variabilité est acceptable dans un moteur de recommandation ou un assistant grand public. Elle ne l’est pas dans un processus de pharmacovigilance, de soumission réglementaire ou d’évaluation de sécurité préclinique, où la traçabilité des sources et la reproductibilité des recherches sont des exigences documentées. 

Ce que l’approche hybride résout 

L’approche hybride ne consiste pas à additionner deux systèmes de recherche indépendants. Elle consiste à orchestrer, au niveau de chaque requête, la contribution respective de la recherche lexicale, de la recherche vectorielle et des filtres sur les métadonnées structurées, en fonction de la nature de la requête et du type de données interrogées. 

Une requête portant sur un numéro de lot ou un identifiant réglementaire sera traitée en priorité par la composante lexicale, avec correspondance exacte. Une requête conceptuelle comme « études précliniques montrant une toxicité rénale similaire au composé X » mobilisera prioritairement la composante vectorielle, enrichie par la normalisation ontologique qui étend la requête aux synonymes et termes équivalents. Les filtres métier sur les métadonnées, phase de développement, type de document, statut réglementaire, affinent le périmètre avant même que la recherche ne soit exécutée. 

C’est cette orchestration qui produit des résultats à la fois complets, précis et auditables. C’est aussi ce qui distingue une plateforme de recherche conçue pour les Life Sciences d’un outil généraliste adapté à la va-vite. 

Les implications pour les architectures RAG en Life Sciences 

Les systèmes RAG génèrent leurs réponses à partir des documents récupérés par la couche de recherche. Si cette couche est défaillante, le modèle de langage n’a pas accès aux bonnes sources, et aucune qualité du LLM ne compensera ce manque. C’est le principe du garbage in, garbage out appliqué à la génération augmentée. 

En Life Sciences, les conséquences d’une récupération incomplète sont directement opérationnelles : une réponse générée à partir d’un corpus incomplet peut conduire à une décision clinique mal informée, à une omission dans un dossier de soumission, ou à une erreur de pharmacovigilance. Ce n’est pas un risque théorique. 

Le vector search seul ne peut pas garantir l’exhaustivité de la récupération sur des données scientifiques hétérogènes. C’est pourquoi toute architecture RAG sérieuse en Life Sciences repose sur une couche de recherche hybride, pilotée par des ontologies biomédicales et protégée par un contrôle d’accès granulaire. Le reste est de la démonstration.