Vector Search

Un vettore è una rappresentazione numerica dei dati e del relativo contesto, ricercabile in modo efficiente tramite algoritmi avanzati.

Atlas Vector Search permette di cercare tra i dati in base al significato semantico acquisito nei vettori, mentre Atlas Search permette la ricerca per parole chiave (cioè in base al testo effettivo e a mappature di sinonimi definite).

Sì, MongoDB Atlas è un database vettoriale. Atlas è una piattaforma dati per sviluppatori multi-cloud completamente gestita, con una ricca gamma di funzionalità che include la ricerca testuale o lessicale e vettoriale. Piuttosto che usare un database vettoriale autonomo o integrato, la versatilità della nostra piattaforma consente agli utenti di archiviare dati operativi, metadati e incorporamenti vettoriali su Atlas e di utilizzare senza problemi Atlas Vector Search per l'indicizzazione, il recupero e la creazione di applicazioni di AI generativa ad alte prestazioni.

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.

$vectorSearch è uno stadio di aggregazione in MongoDB Atlas che consente di eseguire una query Approximate Nearest Neighbor (ANN) o Exact Nearest Neighbor (ENN) con il filtraggio MongoDB Query API (ad esempio, "$eq" o "$gte"). Questa fase è supportata da cluster Atlas versione 6.0 e successive. Il tipo di campo Atlas Search knnVector e l'operatore knnBeta in $search ora sono stati abbandonati.

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

Supportiamo l'inserimento, l'indicizzazione e l'interrogazione di vettori quantizzati scalari e binari da provider di incorporamenti. Atlas Vector Search offre inoltre la possibilità di implementare la quantizzazione scalare e binaria automatica di vettori full-fidelity.

Sì, Atlas 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.