Ricerca vettoriale

La ricerca semantica è la pratica di ricerca sul significato dei dati piuttosto che sui dati stessi.

Un vettore è una rappresentazione numerica dei dati e del contesto associato che può essere ricercato in modo efficiente utilizzando algoritmi avanzati.

Atlas Vector Search permette di cercare tra i dati in base al significato semantico catturato nei vettori, mentre Atlas Search consente la ricerca per parole chiave (cioè in base al testo effettivo e a qualsiasi mappatura di sinonimi definita).

Sì, MongoDB Atlas è un database vettoriale. Atlas è una piattaforma dati per sviluppatori multi-cloud completamente gestita con una ricca gamma di funzionalità che include la ricerca testuale o lessicale e vettoriale. Piuttosto che utilizzare un database vettoriale autonomo o integrato, la versatilità della nostra piattaforma consente agli utenti di archiviare i propri dati operativi, metadati e incorporamenti vettoriali su Atlas e di utilizzare senza problemi Atlas Vector Search per indicizzare, recuperare e creare applicazioni di IA generativa ad alte prestazioni.

KNN, o K Nearest Neighbors, è l'algoritmo spesso utilizzato per trovare vettori vicini tra loro.

ANN, o Approximate Nearest Neighbors, è un approccio alla ricerca di vettori simili che scambia l'accuratezza a favore delle prestazioni. Si tratta di uno degli algoritmi principali utilizzati per Atlas Vector Search. Il nostro algoritmo per la ricerca Approximate Nearest Neighbor utilizza il grafico HNSW (Hierarchical Navigable Small World) per un'indicizzazione e un'interrogazione efficienti di milioni di vettori.

ENN, o Exact Nearest Neighbors, è un approccio alla ricerca di vettori simili che scambia alcune prestazioni a favore dell'accuratezza. Questo metodo restituisce i vettori più vicini a un vettore di query, con il numero di vettori specificato dal limite della variabile. L'esecuzione di query di ricerca vettoriale esatta può mantenere una latency inferiore al secondo per query non filtrate fino a 10.000 documenti. Può anche fornire risposte a bassa latency per filtri altamente selettivi che limitano un ampio set di documenti a 10.000 documenti o meno, ordinati in base alla rilevanza del vettore.

$vectorSearch è uno stadio di aggregazione in MongoDB Atlas che consente di eseguire una query Approximate Nearest Neighbor (ANN) o Exact Nearest Neighbor (ENN) con il filtraggio MongoDB Query API (ad esempio, "$eq" o "$gte"). Questa fase sarà supportata da cluster Atlas di versione 6.0 e successive. Il tipo di campo Atlas Search knnVector e l'operatore knnBeta in $search sono ora obsoleti.

I Search Nodes forniscono un'infrastruttura dedicata per i carichi di lavoro di Atlas Search e Vector Search, consentendoti di ottimizzare le risorse di elaborazione e di scalare completamente le esigenze di ricerca indipendentemente dal database. I Search Nodes offrono migliori prestazioni su scala, garantendo l'isolamento del carico di lavoro, una maggiore disponibilità e la possibilità di ottimizzare meglio l'uso delle risorse.

Atlas Vector Search supporta gli incorporamenti di qualsiasi fornitore che non superano il limite di 4096 dimensioni del servizio. Attualmente supportiamo l'inserimento, l'indicizzazione e l'interrogazione di incorporamenti vettoriali scalari quantizzati dal tuo fornitore preferito. Presto aggiungeremo il supporto per l'inserimento di vettori binari quantizzati e la quantizzazione automatica scalare e binaria con rescoring in Atlas, consentendo l'efficienza dei costi e dell'archiviazione senza compromettere la precisione.

Sì, Atlas Vector Search può interrogare qualsiasi tipo di dato che possa essere trasformato in un embedding. Uno dei vantaggi del modello di documento è la possibilità di memorizzare le incorporazioni proprio accanto ai dati ricchi nei documenti.