Vector Search 쿼리 실행

근사 최근접 이웃 검색

근사 최근접 이웃(ANN) 검색 의 경우, MongoDB 벡터 검색은 다차원 공간에서의 근접성과 고려하는 이웃 수를 기반으로 쿼리 의 벡터 임베딩에 가장 가까운 데이터의 벡터 임베딩을 찾습니다. Hierarchical Navigable Small Worlds 알고리즘 사용하여 모든 벡터를 스캔하지 않고도 쿼리 에서 벡터 임베딩과 가장 유사한 벡터 임베딩을 찾습니다. 따라서 근사 최근접 이웃 검색은 중요한 필터링 없이 대규모 데이터 세트를 쿼리하는 데 이상적입니다.

등가 최근접 이웃 검색

정확한 인접 이웃(ENN) 검색 의 경우, MongoDB Vector Search는 모든 임베딩 사이의 거리를 계산하여 인덱싱된 모든 벡터 임베딩을 철저하게 검색하고 쿼리 의 벡터 임베딩에 대해 가장 가까운 이웃을 찾습니다. 이는 계산 집약적이며 쿼리 지연 시간 부정적인 영향 수 있습니다. 따라서 다음과 같은 사용 사례에 대해 등가 최근접 이웃 을 검색할 것을 권장합니다.

• 등가 최근접 이웃 쿼리의 이상적이고 정확한 결과를 사용하여 근사 최근접 이웃 쿼리의 재현율과 정확도를 판단하고자 합니다.

• 고려할 가장 가까운 이웃 수를 조정하지 않고도 10000개 미만의 문서를 쿼리하려고 합니다.

• 주어진 사전 필터를 충족하는 데이터가 5% 미만인 컬렉션에 대한 쿼리에 선택적 사전 필터를 포함하려고 합니다.

자동 양자화를 활성화 하면 MongoDB Vector Search는 ENN 쿼리에 완전 충실도 벡터만 사용합니다.

제한 사항

$vectorSearch는 보기 정의 및 다음 파이프라인 단계에서 사용할 수 없습니다.

• $lookup 하위 파이프라인 [1]

• $facet 파이프라인 단계

MongoDB Vector Search 인덱싱

vectorSearch 유형 인덱스 $vectorSearch 정의 내의 단계를 사용하여 검색 할 필드를 인덱스 해야 합니다. MongoDB Vector Search vectorSearch 유형 인덱스 정의에서 다음 유형의 필드를 인덱스 할 수 있습니다.

• 벡터 유형으로 벡터 임베딩을 포함하는 필드입니다.

• 사전 필터링된 데이터에서 벡터 검색을 활성화하기 위해 필터 유형으로 추가 필드를 사용합니다.

이러한 MongoDB 벡터 검색 필드 유형에 대해 자세히 학습하려면 벡터 검색을 위해 필드를 인덱싱하는 방법을 참조하세요.

MongoDB Vector Search 점수

MongoDB Vector Search는 반환하는 모든 문서 에 0 ~ 1 (여기서 0 는 낮은 유사성을 나타내고 1 은 높은 유사성을 나타냅니다)까지 고정된 범위 의 점수를 할당합니다.

점수는 MongoDB Vector Search 검색 인덱스 정의에 지정한 similarity 함수에 따라 계산됩니다. 선택할 수 있는 similarity 옵션에 대해 자세히 학습 유사성 함수 정보를 참조하세요.

반환된 각 문서 점수가 메타데이터 로 포함됩니다. 각 문서의 점수를 결과 세트와 함께 반환하려면 집계 파이프라인에서 $project 단계를 사용하고 score 를 프로젝트할 필드로 구성합니다. score 필드에 vectorSearchScore 값을 사용하여 $meta 표현식을 지정합니다. 구문은 다음과 같습니다.

1
db.<collection>.aggregate([
2
  {
3
    "$vectorSearch": {
4
      <query-syntax>
5
    }
6
  },
7
  {
8
    "$project": {
9
      "<field-to-include>": 1,
10
      "<field-to-exclude>": 0,
11
      "score": { "$meta": "vectorSearchScore" }
12
    }
13
  }
14
])

MongoDB Vector Search 사전 필터링

$vectorSearch filter 옵션은 BSON 불리언, 날짜, objectId, 숫자, string 및 UUID 값과 일치하며, 이러한 유형의 배열도 포함됩니다.

데이터 필터링에 사용할 필드를 반드시 vectorSearch 유형 인덱스 정의의 필터 유형으로 인덱싱해야 합니다. 데이터 필터링은 시맨틱 검색의 범위를 좁히고 일부 벡터가 비교 대상으로 고려되지 않도록 하는 데 유용합니다.

MongoDB Vector Search는 $vectorSearch filter 다음 MQL 연산자에 대해 옵션을 지원합니다.

세그먼트 전체에서 쿼리 실행 병렬화

벡터 검색 쿼리 처리 격리하려면 전용 검색 노드를 권장합니다. 전용 검색 노드에서 쿼리 성능이 향상될 수 있습니다. CPU가 높은 시스템은 더 많은 성능 향상을 제공할 수 있습니다. MongoDB Vector Search가 검색 노드에서 실행되면 MongoDB Vector Search는 데이터 세그먼트 전반에서 쿼리 실행을 병렬화합니다.

쿼리 처리 병렬화하면 대규모 데이터 세트에 대한 쿼리와 같은 대부분의 경우 응답 시간이 향상됩니다. MongoDB Vector Search 쿼리 처리 중에 쿼리 내 병렬 처리를 사용하면 더 많은 리소스를 사용하지만 각 개별 쿼리 의 지연 시간 향상됩니다.

전제 조건

이 예시를 실행하기 전에 다음 작업을 수행하세요.

• Atlas 클러스터에 샘플 컬렉션을 추가합니다.

• 컬렉션 에 대한 MongoDB Vector Search 검색 인덱스를 생성합니다. 지침은 MongoDB 벡터 검색 인덱스 생성 절차 및 기본 예시 또는 필터 예시에 대한 구성을 원하는 언어로 복사하세요를 참조하세요.

기본 ANN 예제

다음 쿼리는 $vectorSearch 단계를 사용하여 문자열 시간 이동에 대한 벡터 임베딩을 사용하여 plot_embedding_voyage_3_large 필드를 검색합니다. 가장 가까운 이웃을 150개까지 고려하고, 결과에 10개의 문서를 반환합니다. 또한 다음 작업을 수행하기 위해 $project 단계를 지정합니다.

• _id 필드를 제외하고 plot 및 title 필드만 결과에 포함합니다.

• 결과의 각 문서에 대한 벡터 검색 점수를 보여주는 score 필드를 추가합니다.

필터링된 ANN 예시

다음 쿼리는 01 1955 ~ 01 1975 사이에 개봉한 영화의 문서를 필터링한 후 샘플 벡터 데이터에 대해 시맨틱 Atlas Search를 수행합니다. $and 연산자를 사용하여 지정된 날짜에 대한 논리적 AND 연산을 수행합니다. 그런 다음 필터링된 문서의 plot_embedding_voyage_3_large 필드에서 string 어린이 모험 에 대한 벡터 임베딩을 사용하여 150 가장 가까운 이웃을 검색하고 결과에 10 문서를 반환합니다. 이 쿼리는 또한 다음을 수행하는 $project 단계를 지정합니다.

• _id 필드를 제외하고 결과에 plot, title 및 year 필드만 포함합니다.

• 결과에서 문서의 벡터 Atlas Search 점수를 표시하는 score 필드를 추가합니다.

MongoDB Vector Search는 1955 에서 1975 사이의 year 필드 값을 기준으로 문서를 필터링합니다. 1955 부터 1975 사이에 개봉된 영화의 줄거리에 나오는 어린이들의 모험을 요약한 문서를 반환합니다.

등가 최근접 이웃 예시

다음 쿼리는 $vectorSearch 단계를 사용하여 문자열 세계 대전에 대한 벡터 임베딩을 사용하여 plot_embedding_voyage_3_large 필드를 검색합니다. 정확히 일치하는 항목을 요청하고 결과를 10개 문서로 제한합니다. 또한 이 쿼리는 다음을 수행하기 위해 $project 단계를 지정합니다.

• 결과에서 _id 필드를 제외하고 plot, title, year 필드만 포함합니다.

• 결과에서 문서의 벡터 Atlas Search 점수를 표시하는 score 필드를 추가합니다.