Resumen de la incrustación automatizada

Habilitar y usar incrustación automatizada

1
{
2
  "fields": [
3
    {
4
      "type": "autoEmbed",
5
      "modality": "text",
6
      "path": "<field-to-index>",
7
      "model": "<embedding-model>"
8
    },
9
    {
10
      "type": "filter",
11
      "path": "<field-to-index>"
12
    },
13
    ...
14
  ]
15
}

1
[
2
  {
3
    "$vectorSearch": {
4
      "index": "<index-name>",
5
      "path": "<field-to-index>",
6
      "query": "<query-text>",
7
      "model": "<embedding-model>"
8
    }
9
  },
10
  {
11
    "$project": {
12
      "_id": 0,
13
      "<field-to-index>": 1,
14
      "score": { "$meta": "vectorSearchScore" }
15
    }
16
  }
17
]

Almacenamiento de incrustación

Los índices de incrustación automatizados generan vector embeddings de manera asíncrona y se almacenan en el clúster de MongoDB en una base de datos de reserva independiente. Cada índice de incrustación automatizada tiene exactamente una colección generada de incrustaciones correspondiente. La colección de incrustaciones generadas se almacena en una base de datos interna dedicada en el mismo clúster.

Para **aprender** más, consulta Colección de incrustaciones Generadas.

Modelos disponibles

MongoDB Vector Search se integra con los modelos de incrustaciones de última generación de Voyage AI, cada uno optimizado para un caso de uso específico:

Para obtener más información, consulte Modelos para incrustación automática.

Conceptos clave

modelo de incrustación

embedding models son algoritmos que convierten datos en vector embeddings que capturan el significado semántico o subyacente de sus datos. Estos vectores habilitan la búsqueda vectorial.

Para obtener más información sobre los embedding models para Incrustación automatizada, consulta embedding models disponibles.

embeddings vectoriales

Una incrustación vectorial es un arreglo de números, siendo cada dimensión la representación de una funcionalidad o atributo diferente de sus datos. Los vectores se pueden utilizar para representar cualquier tipo de datos, desde texto, imágenes y videos hasta datos no estructurados. Crea representaciones vectoriales pasando tus datos por un modelo de representaciones, y puedes almacenar estas representaciones en una base de datos que soporte representaciones vectoriales como MongoDB.

Para **aprender** más sobre el **almacenamiento** de **incrustaciones** para la incrustación automatizada, consulta **Colección** de **incrustaciones** generadas.

tokens

En el contexto de los modelos de embebido y los LLM, los tokens son las unidades fundamentales de texto, como palabras, subpalabras o caracteres, que el modelo procesa para crear embebidos o generar texto. Los tokens son la forma en que se le factura por el uso de modelos de incrustación y LLMs.

Para obtener más información sobre tokens para incrustación automatizada, consulta Gestionar facturación para incrustación automatizada.

límites de velocidad

Los límites de tasa son restricciones impuestas por los proveedores de API respecto a la cantidad de solicitudes que un usuario puede realizar en un período de tiempo específico, a menudo medidos en tokens por minuto (TPM) o solicitudes por minuto (RPM). Estos límites garantizan un uso equitativo, previenen abusos y mantienen la estabilidad y el rendimiento del servicio para todos los usuarios.

Para aprender más información sobre los límites de tasa para la incrustación automatizada, consulta Límites de tasa

cuantización

Quantization reduce la precisión de los vector embeddings para disminuir el uso de memoria y almacenamiento, con compensaciones en la precisión de búsqueda. Para la incrustación automatizada, MongoDB búsqueda vectorial admite los siguientes tipos de quantization:

Tipo de quantization	Descripción
float	Almacena los vector embeddings como valores float de 32bits.
scalar	Reduce cada dimensions del vector de un float de 32bits a un número entero de 8bits.
binary	Reduce cada dimensions vectorial a un solo bit y vuelve a puntuar los mejores resultados.
binaryNoRescore	Reduce cada dimensions del vector a un solo bit sin necesidad de reasignar puntuaciones.

Para obtener más información sobre la quantization para la incrustación Automática, consulta Sobre la Quantization.

número de dimensiones

El número de dimensions especifica la longitud del vector de incrustaciones para cada document (cuántos números hay en el arreglo). Las Higher dimensions capturan más detalles semánticos y, por lo general, mejoran la precisión de la recuperación, pero aumentan los costos de almacenamiento y cálculo (tamaño del índice, uso de RAM y, a veces, latencia).

Para obtener más información, consulta numCandidates Selección.

similitud

La función de similitud se utiliza para medir la similitud entre dos vectores o la cercanía de un vector de consulta con los vectores en el índice. MongoDB búsqueda vectorial es compatible con las siguientes funciones de similaridad:

• cosine - mide la similitud basándose en el ángulo entre vectores.

• dotProduct - mide la similitud como cosine, pero tiene en cuenta la magnitud del vector. Recomendamos esta función de similitud para una quantization de fidelidad total o scalar.

• euclidean - mide la distancia entre los extremos de los vectores. Recomendamos esta función de similitud para la quantization binary o binaryNoRescore, donde los vectores se comprimen y la distancia en el espacio Hamming o Euclidiano es la señal adecuada.

Para obtener más información sobre las funciones de similitud para la incrustación automatizada, consulte Acerca de las funciones de similitud.