ATLAS
Ricerca vettoriale
Creare applicazioni intelligenti basate sulla ricerca semantica e sull'intelligenza artificiale generativa per qualsiasi tipo di dati.
Integrazioni
Casi d'uso principali per la ricerca vettoriale Atlas
Atlas Vector Search consente di effettuare ricerche su dati non strutturati. È possibile incorporare vettori con modelli di apprendimento automatico come OpenAI e Hugging Face e memorizzarli e indicizzarli in Atlas per la retrieval augmented generation (RAG), la ricerca semantica, la raccomandazione, la personalizzazione dinamica e altri casi d'uso.
Ricerca vettoriale semplificata
Con Atlas Vector Search, gli sviluppatori possono creare esperienze basate sull'intelligenza artificiale e accedere a tutti i dati di cui hanno bisogno attraverso un'esperienza di sviluppo unificata e coerente sotto forma di MongoDB Query API. Il nostro nuovo stadio di aggregazione $vectorSearch semplifica ulteriormente le cose per chi già utilizza MongoDB.
Evitare la synchronization tax
Memorizzate i vettori accanto ai dati e ai metadati di origine con la potenza del document model. Le incorporazioni vettoriali sono integrate con i dati dell'applicazione e indicizzate senza soluzione di continuità per le query semantiche, consentendo di costruire in modo più semplice e veloce.
Di' addio al sovraccarico operativo
Atlas Vector Search si basa sulla piattaforma di dati per sviluppatori MongoDB Atlas. Automatizzate facilmente il provisioning, il patching, gli aggiornamenti, la scalabilità, la sicurezza e il disaster recovery, fornendo al contempo una profonda visibilità sulle prestazioni sia del database che di Vector Search, in modo che possiate concentrarvi sulla creazione di applicazioni.Robusto ecosistema di integrazioni IA
Atlas Vector Search accelera il vostro percorso verso la creazione di applicazioni di ricerca avanzata e di IA generativa, integrandosi con un'ampia gamma di LLM e framework di alto livello.
LangChain
MongoDB Atlas Vector Search si integra con LangChain per fornire una "memoria a lungo termine" ai LLM, e come archivio per le conversazioni tramite chat.
LlamaIndex
MongoDB Atlas Vector Search si integra con LlamaIndex per fornire una "memoria a lungo termine" ai LLM e un archivio per i blocchi di documenti.
OpenAI
Le incorporazioni vettoriali generate da OpenAI possono essere memorizzate in MongoDB Atlas Vector Search per creare applicazioni di IA generativa ad alte prestazioni.
Hugging Face
Hugging Face fornisce accesso a molti modelli open source che possono essere facilmente utilizzati per generare incorporamenti vettoriali e memorizzarli in Atlas Vector Search.
Cohere
Le incorporazioni vettoriali generate da Cohere possono essere memorizzate in MongoDB Atlas Vector Search per creare applicazioni di IA generativa ad alte prestazioni.
Nomic
Nomic offre la possibilità di visualizzare ed esplorare facilmente i dati di incorporazioni vettoriali nel browser web, nonché di generare incorporamenti vettoriali tramite thegpt4all. Funziona facilmente con Atlas Vector Search.
Microsoft Semantic Kernel
Semantic Kernel è un SDK che semplifica la creazione di applicazioni LLM con linguaggi di programmazione come C# e python. Atlas Vector search si integra per fornire una "memoria" alle applicazioni LLM."
"All'inizio, stavamo cercando altri fornitori per la ricerca vettoriale. Tuttavia, una volta trovato Vector Search di MongoDB, è stato un gioco da ragazzi: sapendo che avremmo spostato tutto su Atlas, abbiamo capito che dovevamo semplicemente consolidare tutto lì."
Cofondatore e CTO di Metaphor Data
"Con Atlas Vector Search, ora disponiamo di un database di metadati vettoriali collaudato e perfezionato in un decennio, capace di soddisfare in modo efficace le nostre numerose esigenze di recupero. Non è necessario implementare un nuovo database, poiché i nostri vettori e i metadati degli artefatti possono essere archiviati senza problemi uno accanto all'altro."
Cofondatore e CTO di VISO TRUST
"Stiamo utilizzando le incorporazioni IA e la ricerca vettoriale per superare la ricerca full-text con significato semantico e dare contesto e memoria agli assistenti di IA generativa per l'acquisto di auto. Siamo entusiasti che MongoDB abbia aggiunto Vector Search ad Atlas, perché semplifica enormemente i nostri sforzi di progettazione".
Fondatore CTO di Drivly inc.
Domande Frequenti
Che cos'è la ricerca semantica?
La ricerca semantica è la pratica di ricerca sul significato dei dati piuttosto che sui dati stessi.
Che cos'è un vettore?
Un vettore è una rappresentazione numerica dei dati e del contesto associato che può essere ricercato in modo efficiente utilizzando algoritmi avanzati.
In cosa si differenzia Atlas Vector Search da Atlas Search?
Atlas Vector Search permette di cercare tra i dati in base al significato semantico catturato nei vettori, mentre Atlas Search consente la ricerca per parole chiave (cioè in base al testo effettivo e a qualsiasi mappatura di sinonimi definita).
Che cos'è il KNN?
Cos'è $vectorSearch e in cosa differisce dall'operatore knnBeta in $search?
$vectorSearch è un nuovo stadio di aggregazione in MongoDB Atlas che consente di eseguire una query Approximate Nearest Neighbor con il linguaggio MongoDB di filtraggio delle query (ad esempio, "$eq" o "$gte"). Questa fase sarà supportata da Atlas cluster versione 6.0 e successive. Anche l'operatore knnBeta in $search continuerà a essere supportato.
Che cos'è l'RNA?
ANN è l'acronimo di "Approximate Nearest Neighbors" ed è un approccio alla ricerca di vettori simili che scambia l'accuratezza a favore delle prestazioni. Si tratta di uno degli algoritmi principali utilizzati per la ricerca vettoriale Atlas. Il nostro algoritmo per la ricerca approssimativa dei vicini utilizza il Hierarchical Navigable Small World (HNSW) grafico.
Quali incorporazioni vettoriali supporta Atlas Search?
Atlas Vector Search supporta le incorporazioni di qualsiasi fornitore che non superano il limite di 2048 dimensioni del servizio.
Vector Search funziona con immagini, file multimediali e altri tipi di dati?
Sì, Atlas Vector Search può interrogare qualsiasi tipo di dato che possa essere trasformato in un embedding. Uno dei vantaggi del modello di documento è la possibilità di memorizzare le incorporazioni proprio accanto ai dati ricchi nei documenti.
Register Now
