Vector Search

La recherche sémantique consiste à rechercher la signification des données plutôt que les données elles-mêmes.

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.

Atlas Vector Search permet de rechercher des données en fonction de la signification sémantique capturée dans les vecteurs, tandis qu’Atlas Search permet de rechercher par mot clé, c’est-à-dire en fonction du texte lui-même et des correspondances de synonymes définis.

Oui, MongoDB Atlas est une base de données vectorielle. Atlas est une plateforme de données de développement multicloud entièrement gérée, dotée d’un riche éventail de fonctionnalités, notamment la recherche textuelle, lexicale et vectorielle. Plutôt que d’utiliser une base de données vectorielle autonome ou intégrée, la polyvalence de notre plateforme permet aux utilisateurs de stocker leurs données opérationnelles, leurs métadonnées et leurs embeddings vectoriels sur Atlas, et d’utiliser de manière fluide Atlas Vector Search pour indexer, récupérer et créer des applications d’IA générative performantes.

L’approche KNN, ou K plus proches voisins, est l’algorithme fréquemment utilisé pour trouver des vecteurs proches les uns des autres.

La recherche approximative des plus proches voisins (ANN, Approximate Nearest Neighbors) est une approche de recherche de vecteurs similaires qui privilégie la performance à la précision. Il s’agit de l’un des principaux algorithmes utilisés pour l’exécution de MongoDB Atlas Vector Search. Notre algorithme de recherche approximative du plus proche voisin utilise le graphique Hierarchical Navigable Small World (HNSW) pour l’indexation et l’interrogation efficaces de millions de vecteurs.

La recherche des plus proches voisins exacts (ENN, Exact Nearest Neighbors) est une approche de recherche de vecteurs similaires qui privilégie la précision au détriment de certaines performances. Cette méthode renvoie les vecteurs exacts les plus proches d’un vecteur de requête, le nombre de vecteurs étant spécifié par la variable limit. L’exécution d’une requête de recherche vectorielle exacte peut assurer une latence inférieure à la seconde pour des requêtes non filtrées jusqu’à 10 000 documents. Elle peut également fournir des réponses à faible latence pour des filtres très sélectifs qui réduisent un large ensemble de documents à 10 000 documents ou moins, classés par pertinence vectorielle.

$vectorSearch est une étape d’agrégation dans MongoDB Atlas qui vous permet d’exécuter une requête de recherche approximative du plus proche voisin (ANN) ou une recherche exacte du plus proche voisin (ENN) à l’aide du filtrage MongoDB Query API (par exemple, "$eq" ou "$gte"). Cette étape sera prise en charge sur les clusters Atlas à partir de la version 6.0. Le type de champ knnVector et l’opérateur knnBeta d’Atlas Search dans $search sont désormais obsolètes.

Les nœuds de recherche fournissent une infrastructure dédiée aux workloads Atlas Search et Vector Search, ce qui vous permet d’optimiser les ressources de calcul et de répartir les besoins de recherche indépendamment de la base de données. Les nœuds de recherche offrent de meilleures performances à l’échelle grâce à l’isolation des workloads, une meilleure disponibilité et la possibilité de mieux optimiser l’utilisation des ressources.

Atlas Vector Search supporte les intégrations de n’importe quel fournisseur en dessous de la limite de dimension de 4 096 sur le service. Nous prenons actuellement en charge l’ingestion, l’indexation et l’interrogation des embeddings vectoriels quantifiés scalaires du fournisseur de votre choix. Nous ajouterons prochainement la prise en charge de l’ingestion de vecteurs quantifiés binaires ainsi que la quantification scalaire et binaire automatique avec rescoring dans Atlas, permettant des économies de coûts et de stockage sans compromettre la précision.

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.