Pourquoi développer des applications d’IA sur Scalingo ?
Déployez des applications d’IA avec la recherche vectorielle intégrée
Développez vos applications d’IA en toute confiance, avec zéro infra à gérer.
Déployez des applications d’IA et des serveurs MCP
Faites tourner le backend de vos applications d’IA, de vos endpoints API aux workers en arrière-plan, en passant par les pipelines d’embedding et les serveurs MCP, sur une plateforme PaaS entièrement managée.
Avec stockage vectoriel intégré
Créez des moteurs de recherche sémantique, des systèmes de recommandation et des applications RAG à partir de bases de données managées compatibles avec les requêtes par similarité vectorielle.
Sur une plateforme entièrement managée
Bases de données, scalabilité, supervision et sauvegardes : tout est inclus. Concentrez-vous sur vos fonctionnalités d’IA, pas sur l’infrastructure.
Choisissez parmi nos options de base de données vectorielles
PostgreSQL + pgvector :
Stockage vectoriel entièrement managé
Stockez vos embeddings aux côtés de vos données applicatives pour alimenter la recherche sémantique, les recommandations et les applications RAG.
Recherche par similarité rapide
pgvector prend en charge les index vectoriels approximatifs (par exemple IVFFlat) afin d’exécuter efficacement des requêtes par similarité à grande échelle.
Stockage évolutif
Gérez de grands volumes d’embeddings grâce au moteur de stockage robuste de PostgreSQL et à ses options de montée en charge.
Conformité ACID
Les embeddings bénéficient des garanties transactionnelles (ACID) de PostgreSQL, pour plus de cohérence et de fiabilité.
Données regroupées dans la même base
Conservez vos embeddings et métadonnées dans la même base de données pour simplifier l’architecture et réduire la complexité opérationnelle.
-- Create vector table
CREATE TABLE embeddings (
id SERIAL PRIMARY KEY,
content TEXT,
embedding vector(1536)
);
-- Create HNSW index
CREATE INDEX ON embeddings
USING hnsw (embedding vector_cosine_ops);
-- Similarity search
SELECT content FROM embeddings
ORDER BY embedding <-> $1
LIMIT 10;
// Create k-NN index
PUT /embeddings
{
"mappings": {
"properties": {
"embedding": {
"type": "knn_vector",
"dimension": 1536
}
}
}
}
// Vector similarity search
POST /embeddings/_search
{
"query": {
"knn": {
"embedding": {
"vector": [0.1, 0.2, ...],
"k": 10
}
}
}
}
OpenSearch : recherche vectorielle et analyses
OpenSearch managé pour vos cas d’usage de recherche, de logs et de récupération vectorielle.
Recherche vectorielle k-NN
Stockez et interrogez des vecteurs de haute dimension à l’aide d’index de plus proches voisins.
Recherche rapide
Conçu pour les charges de recherche intensives.
Clusters évolutifs
Déploiements multi-nœuds en haute disponibilité.
Opérations managées
Déploiements multi-nœuds en haute disponibilité.
OpenSearch ML
Modèles d’embedding et pipelines sémantiques.
Ajoutez à OpenSearch des capacités de machine learning pour générer des embeddings et alimenter des workflows de recherche sémantique, directement dans votre cluster.
Déploiement de modèles
Enregistrez et déployez des modèles d’embedding ONNX (par exemple issus de Hugging Face) pour exécuter l’inférence dans OpenSearch.
Pipelines d’ingestion
Générez automatiquement des embeddings lors de l’indexation de vos documents.
Pipelines de recherche
Vectorisez les requêtes utilisateur au moment de la recherche et exécutez des recherches par similarité vectorielle.
Applications de recherche sémantique
Créez des systèmes RAG, des bases de connaissances enrichies par l’IA, des agents IA, des outils MCP et des expériences de recherche multilingue.
// Register embedding model
POST /_plugins/_ml/models/_register
{
"nom": "transformateur-de-sentences,"
"version": "1.0"
"model_format": "ONNX"
}
// Create ingest pipeline
PUT /_ingest/pipeline/embeddings
{
"processors": [{
"text_embedding": {
"model_id": "sentence-transformer",
"field_map": {
"text": "embedding"
}
}
]}
}
Stack compatible
Compatible avec vos outils IA préférés
Une infrastructure agnostique, compatible avec la plupart des stacks IA
Bases de données
PostgreSQL + pgvector
Stockage des embeddings et recherche par similarité vectorielle
OpenSearch + knn + ML
Recherche sémantique et vectorielle
API pour les LLM
OpenAI
Modèles de type GPT-4 et embeddings
Anthropic
Modèles de type Claude 3
Mistral AI
Fournisseur européen de LLM
Cohere
Modèles Command et Embed
Frameworks IA
LangChain
Python et JavaScript
LlamaIndex
Infrastructure de données pour les LLM
Infrastructure de données pour les LLM
Utilisez votre propre stack
Cas d’usage de l’IA vectorielle
Des applications d’IA déjà en production chez nos clients
Cas d’usage
Chatbots RAG
Des assistants IA alimentés par vos données. Répondez à des questions à partir de vos documents et de votre base de connaissances.
Bases de connaissances pour l’IA
Des wikis internes et des FAQ enrichis par le RAG. Le savoir interne de l'entreprise devient accessible via une recherche IA.
Recherche sémantique
Trouvez le bon contenu grâce au sens, pas seulement aux mots-clés. Recherche vectorielle dans vos documents et articles.
Recherche vectorielle
Recherche par similarité sur les embeddings. Identifiez des contenus, produits ou recommandations similaires.
Analyse de documents
Extrayez des informations clés de vos documents et retrouvez rapidement l’information pertinente. Des systèmes de recherche documentaire conçus pour les données d’entreprise.
Assistants IA
Des agents contextualisés pour votre application. Des assistants compatibles MCP, enrichis par le contexte de vos bases de données.
Testez dès maintenant avec nos fonctionnalités IA.
