Vector Search

I vettori sono rappresentazioni matematiche dei dati, espressi come matrici di numeri che catturano caratteristiche o proprietà specifiche. Nell'apprendimento automatico e nell'intelligenza artificiale, gli incorporamenti vettoriali si riferiscono a queste rappresentazioni numeriche, spesso utilizzate per codificare dati complessi come testo, immagini o audio in un formato che i computer possono comprendere ed elaborare. Gli incorporamenti sono progettati per mantenere le relazioni e i modelli all'interno dei dati, come le somiglianze o il significato contestuale. Ad esempio, nell'elaborazione del linguaggio naturale, le parole con significati simili sono rappresentate da incorporamenti vicini l'uno all'altro nello spazio vettoriale. Questo approccio consente una ricerca efficiente, sistemi di raccomandazione e altre attività di machine learning.

Automated Embedding è una funzionalità che genera embedding vettoriali per i tuoi dati direttamente all'interno di MongoDB. Quando definisci un campo autoEmbed in un indice di vector search, MongoDB crea automaticamente gli embedding con un modello Voyage AI al momento dell'acquisizione, dell'aggiornamento e della query—mantenendo i vettori sincronizzati con i tuoi documenti senza una pipeline esterna.

MongoDB Vector Search permette di cercare tra i dati in base al significato semantico catturato nei vettori, mentre MongoDB Search consente la ricerca per parole chiave (cioè in base al testo effettivo e a qualsiasi mappatura di sinonimi definita).

Sì, MongoDB è un database vettoriale. Atlas è una piattaforma dati intelligente, pronta per l'AI e completamente gestita, dotata di una ricca serie di funzionalità che include la ricerca testuale o lessicale e vettoriale. Piuttosto che utilizzare un database vettoriale autonomo o integrato, la versatilità della nostra piattaforma consente agli utenti di archiviare i propri dati operativi, i metadati e gli incorporamenti vettoriali e di utilizzare senza problemi la ricerca vettoriale per l'indicizzazione, il recupero e la costruzione di applicazioni di generative AI ad alte prestazioni. MongoDB Vector Search è anche disponibile per MongoDB Enterprise Advanced, il modo più flessibile per eseguire MongoDB in produzione on-premise e nel cloud privato. È anche disponibile in MongoDB Community Edition.

MongoDB Vector Search supporta gli incorporamenti da qualsiasi provider che rispetti il limite di 4.096 dimensioni del servizio.

Automated Embedding supporta la famiglia di modelli Voyage AI, il tutto ospitato all'interno del perimetro di sicurezza di Atlas, con una configurazione per le dimensioni di output e gli output quantizzati.

Supportiamo l'inserimento, l'indicizzazione e l'interrogazione di vettori quantizzati scalari e binari da provider di incorporamenti. Offriamo anche l'opzione di implementare la quantizzazione scalare e binaria automatica di vettori full-fidelity in MongoDB.

Puoi portare i tuoi incorporamenti da qualsiasi provider e MongoDB Vector Search funzionerà sempre con esso.

Quando si utilizza Automated Embedding, l'inferenza, l'autenticazione, la scalabilità, i tentativi e la sincronizzazione sono gestiti da MongoDB. Non è necessario eseguire il provisioning di alcun servizio di embedding esterno, non ci sono chiavi da ruotare né infrastrutture di sincronizzazione da gestire. I modelli di embedding vengono fatturati in base all'effettivo utilizzo dei token.

Quando si utilizza Bring your own embeddings, sei responsabile dell'importazione dell'embedding vettoriale generato dal provider di tua scelta. Tutte le operazioni correlate—fatturazione, limiti di frequenza, gestione delle chiavi API—devono essere gestite da te.

KNN è l'acronimo di "K-Nearest Neighbors", un algoritmo frequentemente utilizzato per trovare vettori vicini tra loro.

ANN è l'acronimo di "Approximate Nearest Neighbors", un approccio per trovare vettori simili che privilegia le prestazioni rispetto all'accuratezza. Questo è uno degli algoritmi principali utilizzati come tecnologia alla base di Atlas Vector Search. Il nostro algoritmo per la ricerca Approximate Nearest Neighbor utilizza il grafico Hierarchical Navigable Small World (HNSW) per un'indicizzazione e un'interrogazione efficienti di milioni di vettori.

ENN è l'acronimo di "Exact Nearest Neighbors", un approccio per trovare vettori simili che potrebbe sacrificare in parte le prestazioni a favore dell'accuratezza. Questo metodo restituisce i vettori esattamente più prossimi a un vettore di query e il numero di vettori è specificato dalla variabile limite. L'esecuzione di query di Exact Vector Search (ENN) può mantenere una latency inferiore al secondo per query non filtrate fino a 10.000 documenti. Può anche dare risposte a bassa latency per filtri altamente selettivi che limitano un ampio set di documenti a un massimo di 10.000 documenti, ordinati in base alla pertinenza del vettore.

Sì, la quantizzazione vettoriale è supportata.

Con Automated Embedding puoi scegliere tra scalare, float, binario (con rescoring che utilizza vettori float) e binario senza alcun rescoring.

Con bring your own embeddings, supportiamo l'inserimento, l'indicizzazione e l'interrogazione di vettori quantizzati scalari e binari da provider di incorporamenti. Offriamo inoltre la possibilità di implementare la quantizzazione scalare e binaria automatica di vettori full-fidelity in MongoDB.

Sì, MongoDB Vector Search può interrogare qualsiasi tipo di dato che possa essere trasformato in un incorporamento vettoriale. Uno dei vantaggi del document model è la possibilità di memorizzare gli incorporamenti direttamente accanto a dati complessi nei documenti.

Il reranking nativo ($rerank) aumenta istantaneamente la precisione del recupero integrando i principali modelli di reranker di Voyage AI direttamente all'interno del motore di query di MongoDB. Il reranking nativo di MongoDB consente agli utenti di garantire che solo i dati altamente pertinenti vengano inviati al LLM, ottimizzando la spesa di token e migliorando l'accuratezza.

La ricerca ibrida in MongoDB combina la ricerca lessicale e la ricerca vettoriale in un'unica query, in modo che le applicazioni possano beneficiare sia della precisione delle parole chiave sia della pertinenza semantica. In MongoDB, la ricerca ibrida viene eseguita direttamente sui dati operativi live, aiutando i team a migliorare il recupero delle informazioni senza dover sincronizzare e gestire un sistema di ricerca separato. MongoDB supporta fasi di fusione native per il recupero ibrido, offrendo ai team un modo più semplice per combinare i risultati lessicali e vettoriali in un'unica query. MongoDB supporta fasi di fusione native per il recupero ibrido, offrendo ai team un modo più semplice per combinare i risultati lessicali e vettoriali in un'unica query.