べクトル検索

ベクトルは、データの数学的表現であり、特定の機能やプロパティを捉える数値の配列として表現されます。機械学習や人工知能において、ベクトル埋め込みはこれらの数値表現を指し、テキスト、画像、音声などの複雑なデータをコンピューターが理解し処理できる形式にエンコードするためによく使用されます。埋め込みは、類似性や文脈的意味など、データ内の関係やパターンを保持するように設計されています。例えば、自然言語処理では、意味が類似する単語はベクトル空間内で近い位置に埋め込まれます。このアプローチにより、効率的な検索、レコメンデーションシステム、その他の機械学習タスクが可能になります。

Automated Embedding は、MongoDB 内で直接データのベクトル埋め込みを生成する機能です。ベクトル検索インデックスで autoEmbed フィールドを定義すると、MongoDB は取り込み時、更新時、クエリ時に Voyage AI モデルを使用して埋め込みを自動的に作成し、外部パイプラインを使用することなくベクトルとドキュメントの同期を維持します。

MongoDB Vector Search は、ベクトルに含まれるセマンティックな意味に基づいてデータを検索するのに対し、MongoDB Search はキーワード検索（実際のテキストと定義された同義語のマッピングに基づく検索）を行います。

はい、MongoDB はベクトルデータベースです。Atlas は完全管理のAI対応インテリジェントデータプラットフォームで、テキスト検索、辞書検索、ベクトル検索を含む豊富な機能を備えています。スタンドアロンまたはボルトオンのベクトルデータベースを使用するのではなく、汎用性の高いプラットフォームにより、運用データ、メタデータ、ベクトル埋め込みを保存し、ベクトル検索をシームレスに使用して、インデックス作成、検索、高性能なジェネレーティブAIアプリケーションの構築を行うことができます。MongoDB Vector Search は、オンプレミスおよびプライベートクラウドの本番環境で MongoDB を実行するための最も柔軟な方法である MongoDB Enterprise Advanced でも利用できます。また、MongoDB Community Edition でも利用できます。

MongoDB Vector Search は4096次元までの埋め込みをサポートしています。

Automated Embedding は、すべて Atlas セキュリティ境界内でホストされる Voyage AI モデルファミリーをサポートし、出力次元や量子化出力の設定が可能です。

埋め込みプロバイダからのスカラーおよびバイナリ量子化ベクトルの取り込み、インデックス作成、クエリをサポートします。また、MongoDB では、フルフィデリティベクトルの自動スカラー量子化と自動バイナリ量子化を実装するオプションも提供しています。  

任意のプロバイダの独自の埋め込みを持ち込むことができ、MongoDB Vector Search は常にそれに対応します。

Automated Embedding を使用する場合、推論、認証、スケーリング、再試行、同期は MongoDB によって管理されます。外部埋め込みサービスのプロビジョニング、キーのローテーション、同期インフラストラクチャの運用は必要ありません。埋め込みモデルの料金は、実際のトークン使用量に応じて請求されます。

独自のベクトル埋め込みを使用する場合は、選択したプロバイダから生成されたベクトル埋め込みを取り込む責任があります。課金、レート制限、API キーの管理など、関連するすべての操作はご自身で処理する必要があります。

k近傍法（KNN）は「K-Nearest Neighbors」の略で、類似するベクトルを見つけるためによく使われるアルゴリズムです。

近似最近傍探索（ANN）は「Approximate Nearest Neighbors」の略で、類似したベクトルを見つける際に精度よりもパフォーマンスを重視したアプローチです。これは Atlas Vector Search の中核となるアルゴリズムのひとつです。Atlas Vector Search の近似最近傍探索アルゴリズムは、HNSW（Hierarchical Navigable Small World）グラフを使用して、何百万ものベクトルの効率的なインデックス作成とクエリを行います。

厳密な最近傍探索（ENN）は「 Exact Nearest Neighbors」の略で、パフォーマンスよりも精度を重視して類似ベクトルを見つけるアプローチです。このメソッドは、クエリベクトルに厳密に最も近いベクトルを返します。厳密な最近傍（ENN）検索クエリの実行では、10,000 ドキュメントまでのフィルタリングなしのクエリで、秒未満のレイテンシを維持できます。また、文書セットを 10,000 文書以下に制限し、ベクトルの関連性で並べる高度に選択的なフィルターに対しても、低レイテンシの応答を提供できます。

はい、ベクトル量子化がサポートされています。

Automated Embedding では、スカラー、浮動小数点、バイナリ（浮動小数点ベクトルを使用した再スコアリングあり）、および再スコアリングなしのバイナリから選択できます。

独自の埋め込みを使用する場合は、埋め込みプロバイダからのスカラーおよびバイナリ量子化ベクトルの取り込み、インデックス作成、クエリをサポートします。また、MongoDB では、フルフィデリティベクトルの自動スカラー量子化と自動バイナリ量子化を実装するオプションも提供しています。

はい、MongoDB Vector Search は、ベクトル埋め込みに変換できるあらゆる種類のデータをクエリできます。ドキュメントモデルの利点の一つは、エンベッディングをリッチデータと一緒にドキュメントに保存できることです。

ネイティブリランキング（$rerank）は、Voyage AI の最高のリランカーモデルを MongoDB クエリエンジンに直接統合することで、検索精度を即座に向上させます。MongoDB ネイティブリランキングにより、ユーザーは LLM に提供されるデータを高度に関連性の高いものだけに限定でき、トークンの消費を最適化して精度を向上させることができます。

MongoDB のハイブリッド検索は単一のクエリで語彙検索とベクトル検索を組み合わせるため、アプリケーションはキーワードの精度とセマンティックな関連性の両方を活用できます。MongoDB では、ハイブリッド検索が本番の運用データ上で直接実行されるため、同期や保守を行う別の検索システムを追加することなく、チームが検索性能を向上させることができます。MongoDB はハイブリッド検索向けのネイティブなフュージョンステージをサポートしており、チームは単一のクエリで語彙検索とベクトル検索の結果をよりシンプルな方法で組み合わせることができます。MongoDB はハイブリッド検索向けのネイティブなフュージョンステージをサポートしており、チームは単一のクエリで語彙検索とベクトル検索の結果をよりシンプルな方法で組み合わせることができます。