ベクトル埋め込みを手動で作成する方法

埋め込みの作成方法の選択

ベクトル埋め込みを作成するには、埋め込みモデルを使用する必要があります。埋め込みモデルは、データの数値表現の生成に使用されるアルゴリズムです。埋め込みモデルにアクセスするには、次のいずれかの方法を選択します。

埋め込みモデルの選択

選択した埋め込みモデルはクエリ結果に影響し、 MongoDB ベクトル検索インデックスで指定する次元数を決定します。各モデルには、データとユースケースに応じて異なる利点があります。マルチモーダルやドメイン固有の埋め込みモデルを含む最新の埋め込みには、 投票AI を使用します。

MongoDB ベクトル検索の埋め込みモデルを選択するときは、次のメトリクスを考慮してください。

• 埋め込み次元: ベクトル埋め込みの長さ。

  埋め込みが小さいほどストレージ効率が良く、埋め込みが大きいほどデータ内の微細な関係を捉えることができます。選択するモデルは、効率と複雑さのバランスをとる必要があります。

• 最大トークン数: 単一の埋め込みで圧縮できるトークンの数。

• モデルサイズ: モデルのサイズ（ギガバイト単位）。

  大きなモデルはパフォーマンスが向上しますが、 MongoDB ベクトル検索 を本番環境に増やすとより多くの計算リソースが必要になります。

• 検索平均: 検索システムのパフォーマンスを測定するスコア。

  スコアが高いほど、検索された結果のリストの関連するドキュメントをより高く評価することで、モデルがより優れていることを示します。このスコアは、RAG アプリケーションのモデルを選択するときに重要です。

ベクトル圧縮

多数の浮動小数ベクトルを持ち、mongod でストレージと WiredTiger のフットプリント（ディスクやメモリ使用量など）を削減したい場合は、埋め込みを binData ベクトルに変換して圧縮します。

BinData はバイナリ データを保存する BSON データ型です。ベクトル埋め込みのデフォルトの型は、32 ビットの浮動小数点数（float32）の配列です。バイナリ データはデフォルトの配列形式よりもストレージ効率が高いため、必要なディスク容量は 3 分の 1 になります。

binData ベクトルを保存すると、ドキュメントをワーキングセットに読み込むために必要なリソースが少なくなるため、クエリのパフォーマンスが向上します。これにより、20 件を超えるドキュメントを返すベクトルクエリのクエリ速度が大幅に向上します。float32 埋め込みを圧縮する場合は、float32 またはbinData ベクトルのいずれかを使用してクエリを実行できます。

このページのチュートリアルには、float32 ベクトルをbinData ベクトルに変換するために使用できる関数の例が含まれています。

埋め込みの検証

埋め込みが正しく最適である状態を確保するために、以下の戦略を検討してください。