ATLAS
Vector Search
Créez des applications intelligentes alimentées par la recherche sémantique et l'IA générative sur n'importe quel type de données.
Intégrations présentées
Principaux cas d'usage d'Atlas Vector Search
Atlas Vector Search vous permet de rechercher des données non structurées. Vous pouvez créer des vector embeddings avec des modèles de machine learning comme OpenAI et Hugging Face, les stocker et les indexer dans Atlas pour la recherche augmentée (RAG), la recherche sémantique, le moteur de recommandation, la personnalisation dynamique et d'autres cas d'usage.
Recherche vectorielle simplifiée
Avec Atlas Vector Search, les développeurs peuvent créer des expériences alimentées par l'IA tout en accédant à toutes les données dont ils ont besoin grâce à une expérience de développement unifiée et cohérente sous la forme du MongoDB Query API. Notre nouvelle étape d'agrégation $vectorSearch rend les choses encore plus faciles pour ceux qui utilisent déjà MongoDB.
Éviter la taxe de synchronisation
Stockez les vector embeddings à côté de vos données et métadonnées sources grâce à la puissance du modèle documentaire Les vector embeddings sont intégrés aux données de l'application et indexés de manière simple pour les requêtes sémantiques, ce qui vous permet de construire plus facilement et plus rapidement.
Supprimez le travail opérationnel
Atlas Vector Search s'appuie sur la Developer Data Platform MongoDB Atlas. Automatisez facilement le provisionnement, le patching, les mises à niveau, l'évolution, la sécurité et la reprise après sinistre, tout en offrant une visibilité approfondie des performances de la base de données et de Vector Search, afin que vous puissiez vous concentrer sur la création d'applications.Un solide écosystème d'intégrations de l'IA
Atlas Vector Search accélère votre parcours vers la création d'applications de recherche avancée et d'IA générative en s'intégrant à une grande variété de LLM et framework.
LangChain
MongoDB Atlas Vector Search s'intègre à LangChain pour fournir une « mémoire à long terme » aux LLM et stocker les conversations par chat.
LlamaIndex
MongoDB Atlas Vector Search s'intègre à LlamaIndex pour fournir une « mémoire à long terme » aux LLM et stocker les extraits de documents.
OpenAI
Les vector embeddings générées par OpenAI peuvent être stockées dans MongoDB Atlas Vector Search pour créer des applications d'IA générative de haute performance.
Hugging Face
Hugging Face permet d'accéder à de nombreux modèles open source qui peuvent être facilement utilisés pour générer des vector embeddings et les stocker dans Atlas Vector Search.
Cohere
Les vector embeddings générées par Cohere peuvent être stockées dans MongoDB Atlas Vector Search pour créer des applications d'IA générative de haute performance.
Nomic
Nomic permet de visualiser et d'explorer facilement des données de vector embedding dans le navigateur Web et les générer via thegpt4all. Il fonctionne facilement avec Atlas Vector Search.
Microsoft Semantic Kernel
Semantic Kernel est un SDK qui simplifie la création d'applications LLM avec des langages de programmation tels que C# et python. Atlas Vector Search s'intègre pour fournir une « mémoire » aux applications LLM.
« Au départ, nous recherchions d'autres fournisseurs pour la recherche vectorielle. Cependant, lorsque nous avons découvert la solution Vector Search de MongoDB, c'était une évidence : comme nous savions que nous allions transférer toutes nos données vers Atlas, nous savions que nous devions l'utiliser pour les consolider. »
Cofondateur et CTO de Metaphor Data
« Grâce à Atlas Vector Search, nous possédons désormais une base de données de métadonnées vectorielles éprouvée, affinée sur une décennie, qui répond parfaitement à nos gros besoins en matière de récupération des données. Il n’est pas nécessaire de déployer une nouvelle base de données, car nos vecteurs et nos métadonnées d’artefacts peuvent être facilement stockés les uns à côté des autres.
Cofondateur et CTO de VISO TRUST
« Nous utilisons les intégrations de l'IA et Vector Search pour aller au-delà de la recherche full-text avec une signification sémantique et donner du contexte et de la mémoire aux assistants basés sur l'IA générative pour l'achat de voitures . Nous sommes très heureux que MongoDB ait ajouté Vector Search à Atlas, ce qui simplifie considérablement nos efforts d'ingénierie. »
Fondateur et CTO de Drivly Inc.
FAQ
Qu'est-ce que la recherche sémantique ?
La recherche sémantique consiste à rechercher la signification des données plutôt que les données elles-mêmes.
Qu'est-ce qu'un vecteur ?
Un vecteur est une représentation numérique des données et du contexte associé qui peut faire l'objet d'une recherche efficace à l'aide d'algorithmes avancés.
Quelle est la différence entre Atlas Vector Search et Atlas Search ?
Atlas Vector Search permet de rechercher des données sur la base de la signification sémantique saisie dans les vecteurs, tandis qu'Atlas Search permet de rechercher par mot-clé, c'est-à-dire sur la base du texte lui-même et de toute correspondance synonymique définie.
Qu'est-ce que le KNN ?
Qu'est-ce que $vectorSearch et en quoi cela diffère-t-il de l'opérateur knnBeta dans $search ?
$vectorSearch est une nouvelle étape d'agrégation dans MongoDB Atlas qui vous permet d'exécuter une requête Approximate Nearest Neighbor avec le filtrage MongoDB langage de requête (par exemple, "$eq" ou "$gte"). Cette étape sera prise en charge sur les clusters Atlas à partir de la version 6.0. L'opérateur knnBeta dans $search continuera également à être pris en charge.
Qu'est-ce que ANN ?
ANN est l'abréviation d'« Approximate Nearest Neighbors ». Cette approche qui vise à rechercher des vecteurs similaires donne la priorité à la performance, et non à la précision. C'est l'un des principaux algorithmes utilisés pour alimenter Atlas Vector Search. Notre algorithme de recherche ANN utilise les graphiques Hierarchical Navigable Small World (HNSW).
Quels vector embeddings Atlas Search prend-il en charge ?
Atlas Vector Search supporte les embeddings de n'importe quel fournisseur en dessous de la limite de dimension de 2048 sur le service.
La recherche vectorielle fonctionne-t-elle avec des images, des fichiers multimédias et d'autres types de données ?
Oui, Atlas Vector Search peut requêter n'importe quel type de données pouvant être transformées en embedding. L'un des avantages du modèle documentaire est que vous pouvez stocker vos embeddings à côté de vos données riches dans vos documents.
Register Now
