Weaviate

Weaviate est un vector database open source (BSD-3) développé par la société Weaviate (anciennement SeMI Technologies, Pays-Bas). Disponible self-hosted ou Weaviate Cloud (managed SaaS). Différenciateur principal : hybrid search natif (vector + BM25 keyword) et modules d'embedding intégrés (no separate inference service requis).

Features distinctifs : (1) **Hybrid Search** — combine semantic (vector) + lexical (BM25) avec alpha parameter pour pondérer, capturant à la fois meaning et exact keyword matching ; (2) **Modules** intégrés — text2vec-openai, text2vec-cohere, text2vec-huggingface, text2vec-transformers (local), multi2vec-clip (multimodal) — Weaviate embed automatiquement, vs Pinecone où l'app doit faire l'embedding ; (3) **GraphQL API** — query language expressif avec filters, sort, group by ; (4) **Generative Search** — RAG built-in (Weaviate retrieves + appelle LLM pour générer réponse, end-to-end) ; (5) **Multi-tenancy** — strict isolation par tenant, scalable to millions ; (6) **HNSW indexing** par défaut, flat (brute force) pour small datasets ; (7) **Schema-based** avec classes, properties, references (graph-like) ; (8) **Backup/restore** vers S3/GCS/Azure ; (9) **Replication** raft-based ; (10) **Sharding** automatique pour scale-out.

Query exemple GraphQL : `{ Get { Article(nearText: {concepts: ["machine learning"]}, limit: 5) { title content _additional { distance } } } }`.

Deployment options : (1) Docker self-hosted ; (2) Kubernetes Helm chart ; (3) Weaviate Cloud (Serverless ou Enterprise) ; (4) Embedded Weaviate (local lib pour Python dev).

Use cases : RAG applications, semantic search e-commerce, recommendation systems, multimodal search (text + images via CLIP). Concurrents : Pinecone (plus simple, plus cher), Qdrant (Rust performant), Milvus (distributed scale), pgvector (Postgres-based). Compétences AI-102, PMLE.