Vektorsuche

Vektoren sind mathematische Darstellungen von Daten, die als Arrays von Zahlen ausgedrückt werden und bestimmte Funktionen oder Eigenschaften erfassen. Im Bereich des maschinellen Lernens und der künstlichen Intelligenz beziehen sich Vektoreinbettungen auf diese numerischen Darstellungen, die häufig verwendet werden, um komplexe Daten wie Text, Bilder oder Audio in ein Format zu kodieren, das Computer verstehen und verarbeiten können. Einbettungen sind darauf ausgelegt, Beziehungen und Muster innerhalb der Daten wie Ähnlichkeiten oder kontextuelle Bedeutungen beizubehalten. Beispielsweise werden bei der Verarbeitung natürlicher Sprache Wörter mit ähnlicher Bedeutung durch Einbettungen dargestellt, die im Vektorraum nahe beieinander liegen. Dieser Ansatz ermöglicht eine effiziente Suche, Empfehlungssysteme und andere Aufgaben des maschinellen Lernens.

Automatisiertes Einbetten ist eine Funktion, die Vektoreinbettungen für Ihre Daten direkt in MongoDB generiert. Wenn Sie ein autoEmbed-Feld in einem Vektorsuchindex definieren, erstellt MongoDB automatisch Einbettungen mit einem Voyage AI-Modell bei der Aufnahme, Aktualisierung und Abfrage – wodurch Vektoren ohne eine externe Pipeline mit Ihren Dokumenten synchron gehalten werden.

MongoDB Vector Search ermöglicht die Suche in Daten auf der Grundlage der in Vektoren erfassten semantischen Bedeutung, während MongoDB Search die Suche nach Schlüsselwörtern ermöglicht (d. h. auf der Grundlage des eigentlichen Textes und definierter Synonymzuordnungen).

Ja, MongoDB ist eine Vektordatenbank. Atlas ist eine vollständig verwaltete, KI-bereite, intelligente Datenplattform mit einer Vielzahl von Funktionen, darunter Textsuche, lexikalische Suche und Vektorsuche. Anstatt eine eigenständige oder zusätzliche Vektordatenbank zu verwenden, ermöglicht die Vielseitigkeit unserer Plattform den Benutzern, ihre Betriebsdaten, Metadaten und Vektoreinbettungen zu speichern und die Vektorsuche nahtlos für die Indizierung, das Abrufen und den Aufbau leistungsstarker generativer KI-Anwendungen zu nutzen. MongoDB Vector Search ist auch für MongoDB Enterprise Advanced erhältlich, die flexibelste Methode für den produktiven Betrieb von MongoDB in lokalen Umgebungen und in privaten Clouds. Sie ist auch in der MongoDB Community Edition erhältlich.

MongoDB Vector Search unterstützt Einbettungen von jedem Anbieter, der unter dem 4096-Dimensionen-Limit des Dienstes liegt.

Automated Embedding unterstützt die Voyage AI-Modellfamilie, die alle innerhalb des Atlas-Sicherheitsbereichs gehostet werden, mit Konfiguration für Ausgabedimensionen und quantisierte Ausgaben.

Wir unterstützen die Aufnahme, Indizierung und Abfrage von skalar und binär quantisierten Vektoren von Einbettungsanbietern. Wir bieten auch die Möglichkeit, die automatische skalare und binäre Quantisierung von Full-Fidelity-Vektoren in MongoDB zu implementieren.  

Sie können Ihre eigenen Einbettungen von jedem Anbieter mitbringen, und MongoDB Vector Search funktioniert immer damit.

Bei der Verwendung von Automated Embedding werden Inferenz, Authentifizierung, Skalierung, Wiederholungsversuche und Synchronisierung von MongoDB gemanagt. Es gibt keinen externen Einbettungsdienst, der bereitgestellt werden muss, keine Schlüssel, die rotiert werden müssen, und keine Synchronisierungsinfrastruktur, die betrieben werden muss. Die Einbettungsmodelle werden nach Ihrer tatsächlichen Token-Nutzung abgerechnet.

Bei der Verwendung von „Bring your own embeddings“ sind Sie für das Ingestieren der generierten Vektoreinbettung vom Anbieter Ihrer Wahl verantwortlich. Alle damit verbundenen Vorgänge – Abrechnung, Rate-Limits, API-Schlüsselverwaltung – müssen von Ihnen übernommen werden.

KNN steht für „K-Nearest Neighbors“, einen Algorithmus, der häufig verwendet wird, um nahe beieinander liegende Vektoren zu finden.

ANN steht für „Approximate Nearest Neighbors“ und ist ein Ansatz zur Suche nach ähnlichen Vektoren, bei dem Genauigkeit zugunsten der Leistung in Kauf genommen wird. Dies ist einer der Kernalgorithmen, die die Atlas-Vektorsuche antreiben. Unser Algorithmus für die Approximate Nearest Neighbor-Suche verwendet den Hierarchical Navigable Small World (HNSW)-Graphen für die effiziente Indizierung und Abfrage von Millionen von Vektoren.

ENN steht für „Exact Nearest Neighbors“ und ist ein Ansatz zur Suche nach ähnlichen Vektoren, bei dem ein Teil der Leistung zugunsten der Genauigkeit geopfert werden kann. Diese Methode liefert die exakt nächstgelegenen Vektoren zu einem Abfragevektor, wobei die Anzahl der Vektoren durch die Variable „Limit“ festgelegt wird. Die exakte Vektorsuche (ENN) kann eine Latenzzeit von unter einer Sekunde für ungefilterte Abfragen mit bis zu 10.000 Dokumenten aufrechterhalten. Sie kann auch Antworten mit geringer Latenz für hochselektive Filter liefern, die eine breite Menge von Dokumenten auf 10.000 oder weniger Dokumente einschränken, sortiert nach Vektorrelevanz.

Ja, Vektorquantisierung wird unterstützt.

Mit Automated Embedding können Sie zwischen skalar, float, binär (mit Neubewertung mithilfe von float-Vektoren) und binär ohne Neubewertung wählen.

Bei der Verwendung Ihrer eigenen Einbettungen unterstützen wir die Aufnahme, Indizierung und Abfrage von skalar und binär quantisierten Vektoren von Einbettungsanbietern. Wir bieten auch die Möglichkeit, die automatische skalare und binäre Quantisierung von Full-Fidelity-Vektoren in MongoDB zu implementieren.

Ja, MongoDB Vector Search kann jede Art von Daten abfragen, die in eine Vektoreinbettung umgewandelt werden können. Einer der Vorteile des Dokumentmodells ist, dass Sie Ihre Einbettungen direkt neben Ihren umfangreichen Daten in Ihren Dokumenten speichern können.

Die native Neu-Rankierung ($rerank) erhöht die Abrufpräzision sofort, indem sie die führenden Reranker-Modelle von Voyage AI direkt in die MongoDB-Abfrage-Engine integriert. Mit der nativen Neu-Rankierung von MongoDB können Benutzer sicherstellen, dass nur hochrelevante Daten an Ihr LLM übermittelt werden, was die Token-Ausgaben optimiert und die Genauigkeit verbessert.

Die Hybridsuche in MongoDB kombiniert lexikalische Suche und Vektorsuche in einer einzigen Abfrage, sodass Anwendungen sowohl von der Schlüsselwortpräzision als auch von der semantischen Relevanz profitieren können. In MongoDB wird die Hybridsuche direkt auf Live-Betriebsdaten ausgeführt, wodurch Teams die Abfrage verbessern können, ohne ein separates Suchsystem für die Synchronisierung und Wartung hinzufügen zu müssen. MongoDB unterstützt native Fusion-Stufen für hybride Abrufe und bietet Teams eine einfachere Möglichkeit, lexikalische und vektorielle Ergebnisse in einer einzigen Abfrage zu kombinieren. MongoDB unterstützt native Fusion-Stufen für hybride Abrufe und bietet Teams eine einfachere Möglichkeit, lexikalische und vektorielle Ergebnisse in einer einzigen Abfrage zu kombinieren.