Búsqueda vectorial

Un vector es una representación numérica de datos y contexto asociado que se puede buscar de manera eficiente utilizando algoritmos avanzados.

Atlas Vector Search permite buscar a través de datos basados en el significado semántico capturado en vectores, mientras que Atlas Search permite la búsqueda de palabras clave (es decir, basada en el texto real y cualquier asignación de sinónimos definida).

Sí, MongoDB Atlas es una base de datos vectorial. Atlas es una plataforma de datos para desarrolladores multinube totalmente gestionada con una amplia gama de capacidades que incluye búsqueda de texto o léxica y vectorial. En lugar de utilizar una base de datos vectorial independiente o complementaria, la versatilidad de nuestra plataforma permite a los usuarios almacenar sus datos operativos, metadatos e incrustaciones vectoriales en Atlas y utilizar sin problemas Atlas Vector Search para la indexación, recuperación y creación de aplicaciones de IA generativa de alto rendimiento.

KNN significa "K-Nearest Neighbors", que es el algoritmo que se usa con frecuencia para encontrar vectores cerca unos de otros.

ANN significa "Vecinos más cercanos aproximados" y es un enfoque para encontrar vectores similares que cambia la precisión a favor del rendimiento. Este es uno de los algoritmos principales utilizados para impulsar Atlas Vector Search. Nuestro algoritmo para la búsqueda del vecino más cercano aproximado utiliza el gráfico de mundo pequeño navegable jerárquico (HNSW) para la indexación y consulta eficientes de millones de vectores.

ENN significa "Vecinos más cercanos exactos" y es un enfoque para encontrar vectores similares que podrían cambiar algo de rendimiento a favor de la precisión. Este método devuelve los vectores exactos más cercanos a un vector de consulta, con el número de vectores especificado por la variable limit. La ejecución de consultas de búsqueda vectorial exacta (ENN) puede mantener una latencia inferior a un segundo para consultas sin filtrar de hasta 10.000 documentos. También puede proporcionar respuestas de baja latencia para filtros altamente selectivos que restringen un amplio conjunto de documentos a 10.000 documentos o menos, ordenados por relevancia vectorial.

$vectorSearch es una etapa de agregación en MongoDB Atlas que le permite ejecutar una consulta de vecino más cercano aproximado (ANN) o vecino más cercano exacto (ENN) con filtrado de API de consulta de MongoDB (por ejemplo, "$eq" o "$gte"). Esta fase es compatible con los clústeres de Atlas versión 6.0 y posteriores. El tipo de campo knnVector de Atlas Search y el operador knnBeta en $search ahora están en desuso.

Atlas Vector Search admite incrustaciones de cualquier proveedor que esté por debajo del límite de 4096 dimensiones en el servicio.

Admitimos la ingesta, la indexación y la consulta de vectores escalares y binarios cuantificados de proveedores de incrustación. También ofrecemos la opción de implementar la cuantificación escalar y binaria automática de vectores de fidelidad completa en Atlas Vector Search.

Sí, Atlas Vector Search puede consultar cualquier tipo de datos que se puedan convertir en una incrustación vectorial. Una de las ventajas del modelo de documento es que puede almacenar sus incrustaciones junto con los datos enriquecidos de sus documentos.