Désormais disponibleRéduction des coûts, scalabilité supérieure : de nouvelles fonctionnalités de quantification vectorielle sont maintenant disponibles. En savoir plus >>

Fonctionnalités d’Atlas Vector Search

Découvrez comment exploiter les capacités d’Atlas Vector Search pour les cas d’utilisation de recherche moderne et d’IA générative.

Plateforme de données pour les développeurs entièrement gérée

Contrairement aux bases de données vectorielles autonomes, Atlas vous permet de stocker et de manipuler des données opérationnelles, des métadonnées et des vecteurs, le tout dans une plateforme de données unifiée, sécurisée et évolutive.

En savoir plus sur Atlas
general_action_best_practices

Flexibilité et agilité avec le document model

Utilisez des structures de données riches et imbriquées pour une organisation et un requêtage sans effort. Modélisez plusieurs champs avec des modèles d’embeddings et interroge-les conjointement pour des performances optimales.

En savoir plus sur les bases de données documentaires
mdb_replica_set

Mise à l’échelle indépendante avec les nœuds de recherche

Assurez une disponibilité et des performances supérieures avec une évolutivité indépendante grâce à l’isolation des charges de travail et à une infrastructure dédiée multi-cloud optimisée pour la mémoire.

Lire l'article
technical_mdb_quantization

Efficacité des coûts avec la quantification vectorielle

Augmentez la capacité et réduisez les coûts en compressant les vecteurs pour un stockage, un traitement et une récupération plus efficaces tout en préservant la précision de la recherche.

Lire l'article

Capacités de recherche vectorielle robustes

Utilisez des approches de recherche flexibles pour optimiser la pertinence et les performances selon vos besoins.

realm_fast_queries

Approximate Nearest Neighbor (ANN) search

Conçu pour soutenir l’efficacité dans les cas d’utilisation de vecteurs complexes et hautement dimensionnels en équilibrant la précision avec la faisabilité informatique.

En savoir plus sur la recherche ANN
general_action_checkmark

Exact Nearest Neighbor (ENN) search

Axé sur la précision, particulièrement utile dans les ensembles de données à petite échelle où l’amélioration de l’analyse comparative et de la vitesse de développement est essentielle.

En savoir plus sur la recherche ENN
atlas_search

Recherche hybride

Combinez la recherche textuelle et vectorielle pour améliorer la précision en ajustant de manière flexible les pondérations afin de privilégier la similarité vectorielle ou la pertinence des mots-clés.

Voir le tutoriel

Premiers pas avec Atlas Vector Search

Découvrez comment convertir vos données en embeddings vectoriels, les récupérer avec des capacités de recherche et créer des applications intelligentes rapidement et facilement dans MongoDB Atlas.
Démarrer
Commencez à construire avec :
  • Déploiement simplifié
  • Expérience unifiée pour les développeurs
  • Scalabilité horizontale, verticale, indépendante
  • Écosystème d’IA intégré
  • Plus de 125 régions dans le monde