Vektorsuche

Ein Vektor ist eine numerische Darstellung von Daten und dem zugehörigen Kontext, nach der mithilfe fortschrittlicher Algorithmen effizient gesucht werden kann.

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

Ja, MongoDB Atlas ist eine Vektordatenbank. Atlas ist eine vollständig verwaltete Multi-Cloud-Entwicklerdatenplattform 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 auf Atlas zu speichern und Atlas Vector Search nahtlos für die Indizierung, das Abrufen und den Aufbau leistungsstarker generativer KI-Anwendungen zu nutzen.

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.

$vectorSearch ist eine Aggregationsstufe in MongoDB Atlas, die es Ihnen ermöglicht, eine Approximate Nearest Neighbor (ANN)- oder Exact Nearest Neighbor (ENN)-Abfrage mit MongoDB Query API-Filterung (z. B. „$eq“ oder „$gte“) durchzuführen. Diese Stufe wird auf Atlas-Clustern ab Version 6.0 unterstützt. Der Atlas Search knnVector-Feldtyp und der knnBeta-Operator in $search sind jetzt veraltet.

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

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 Atlas Vector Search zu implementieren.

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