이 작업에 관한 정보
벡터 검색 인덱스 만들기
이 섹션에서는 클러스터 에 로드하는 샘플 데이터에 MongoDB Vector Search 인덱스 생성합니다.
벡터 검색 쿼리 실행
이 섹션에서는 인덱싱된 임베딩에 대해 샘플 벡터 검색 쿼리를 실행 합니다.
학습 요약
이 빠른 시작은 제공된 쿼리 와 의미상 관련된 텍스트가 포함된 문서를 클러스터 에서 검색하는 데 중점을 두었습니다. 그러나 이미지나 동영상과 같이 클러스터 에 쓰기 (write) 수 있는 모든 유형의 데이터를 나타내는 임베딩에 벡터 검색 인덱스 생성할 수 있습니다.
샘플 데이터
벡터 임베딩
컬렉션 과 예시 쿼리 의 벡터 임베딩은Voyage AI sample_mflix.embedded_movies voyage-3-large 임베딩 모델을 사용하여 생성되었습니다. 선택한 임베딩 모델은 벡터 검색 인덱스 에서 사용하는 벡터 차원과 벡터 유사성 함수에 영향을 미칩니다. 원하는 임베딩 모델을 사용할 수 있으며, 특정 사용 사례 에 따라 모델마다 정확도가 다를 수 있으므로 다양한 모델로 실험해 볼 가치가 있습니다.
자신의 데이터에 대한 벡터 임베딩을 생성하는 방법을 알아보려면 벡터 임베딩 생성 방법을 참조하세요.
벡터 인덱스 정의
벡터 검색 쿼리
이 빠른 시작에서 실행한 쿼리는 집계 파이프라인으로, $vectorSearch 단계에서 ANN(Approximate Nearest Neighbor) 검색을 수행한 다음 $project 단계에서 결과를 세부화합니다. ENN(Exact Neart Neighbor) 사용 방법이나 filter 옵션을 사용하여 벡터 검색 범위를 좁히는 방법을 포함하여 벡터 검색 쿼리의 모든 옵션을 보려면 벡터 검색 쿼리 실행을 참조하세요.
다음 단계
데이터에서 임베딩을 생성하고 Atlas에 로드하는 방법을 알아보려면 임베딩 생성을 참조하세요.
검색 보강 생성(RAG)을 구현 방법을 학습하려면 MongoDB 사용한 검색 보강 생성(RAG)을 참조하세요.
MongoDB 벡터 검색을 인기 있는 AI 프레임워크 및 서비스와 통합하려면 MongoDB AI 통합을 참조하세요.
MongoDB Vector Search를 사용하여 프로덕션용 AI 챗봇을 빌드 하려면 MongoDB 챗봇 프레임워크를 참조하세요.
API 키나 크레딧 없이RAG를 구현 방법을 학습 MongoDB Vector Search를 사용하여 로컬 RAG 구현 구축하기를 참조하세요.