MongoDB Voyage AI의 동급 최고의 임베딩 및 모델 재순위 지정을 위한 API 제공합니다. 벡터 데이터베이스 및 대규모 언어 모델(LLM)을 포함한 AI 스택 의 다른 부분과 함께Voyage AI 모델을 사용하여 정확한 AI 검색 및 조회 기능을 갖춘 프로덕션용 애플리케이션을 빌드 할 수 있습니다.
구축 시작하기
시작하려면 다음 리소스를 사용하세요.
Voyage AI 모델
Voyage AI의 임베딩 및 모델 재순위 지정은 최신 검색 정확도를 제공합니다. 모델에 대해 자세히 학습 모델 개요를 참조하세요.
voyage-4-large
최고의 범용 및 다국어 검색 품질을 제공합니다. 모든 4 시리즈 모델은 동일한 임베딩 공간을 주식 .
voyage-context-3
범용 및 다국어 검색 품질에 최적화된 상황별 청크 임베딩입니다.
voyage-multimodal-3.5
PDF, 슬라이드, 표, 그림, 동영상 등의 스크린샷과 같이 인터리브 처리된 텍스트와 시각 데이터를 벡터화할 수 있는 풍부한 멀티모달 임베딩 모델입니다.
rerank-2.5
지침에 따른 지침 및 다국어 지원 통해 품질에 최적화된 generalist reranker입니다.
사용 사례
Voyage AI 모델은 다음 사용 사례를 지원 .
함께 더 나은
MongoDB Vector Search 및 AI 통합과 함께Voyage AI 활용하여 AI 애플리케이션 개발 간소화하세요.
Voyage AI 모델과 MongoDB Vector Search를 결합하여 프로덕션용 AI 애플리케이션을 빌드 할 수 있습니다.
LangChain, LlamaIndex 및 기타 인기 있는 AI 프레임워크와 통합하세요.
주요 개념
- 임베딩 모델
- 임베딩 모델은 데이터를 데이터의 시맨틱 또는 기본 의미를 캡처하는 벡터 임베딩으로 변환하는 알고리즘입니다. 이러한 벡터는 벡터 검색 활성화 안정적인 AI 애플리케이션을 구축하기 위한 주요 접근 방식인 RAG(검색 강화 생성)의 필수 빌딩 블록 제공 을 합니다.
- reranker
- 리랭커는 검색 쿼리 와 검색 결과 간의 관련성을 평가하는 알고리즘입니다. 재지정기를 사용하면 관련성 점수에 따라 문서를 재정렬하여 결과의 더 정확한 하위 집합을 생성하여 초기 결과를 구체화할 수 있습니다.
- 벡터 임베딩
- 벡터 임베딩은 숫자 배열 로, 각 차원은 데이터의 다른 기능 이나 속성을 나타냅니다. 벡터는 텍스트, 이미지, 동영상부터 구조화되지 않은 데이터에 이르기까지 모든 유형의 데이터를 표현하는 데 사용할 수 있습니다. 임베딩 모델을 통해 데이터를 전달하여 벡터 임베딩을 생성하고, 이러한 임베딩을 MongoDB 와 같은 벡터 임베딩을 지원하는 데이터베이스 에 저장 수 있습니다.
- Vector Search
- 벡터 검색 은 시맨틱 검색 과 RAG를 지원하는 검색 방법입니다. 벡터 간의 거리를 측정하여 서로 다른 데이터 포인트 간의 의미적 유사성을 확인할 수 있습니다. 이를 통해 벡터화된 쿼리 벡터 임베딩과 비교하여 관련 검색 결과를 얻을 수 있습니다. Voyage AI 모델은 모든 벡터 검색 솔루션 및 벡터 데이터베이스 와 함께 사용할 수 있지만 MongoDB Vector Search 및 MongoDB Atlas 와 원활하게 통합됩니다.
- RAG
- RAG(검색 보강 생성)는 더 정확한 응답을 생성할 수 있도록 대규모 언어 모델(LLM)을 추가 데이터로 보강하는 데 사용되는 아키텍처입니다. 자세한 학습 은 Voyage AI 사용한 RAG를 참조하세요.
- tokens
- 임베딩 모델 및 LLM과 관련하여 토큰은 모델이 임베딩을 생성하거나 텍스트를 생성하기 위해 처리하는 단어, 하위 단어 또는 문자와 같은 텍스트의 기본 단위입니다. 토큰은 임베딩 모델 및 LLM 사용에 대한 요금이 청구되는 방식입니다.
- 속도 제한
- 속도 제한은 API 제공자가 특정 시간 내에 사용자가 할 수 있는 요청 수에 대해 부과하는 제한이며, 종종 분당 토큰(TPM) 또는 분당 요청(RPM)으로 측정됩니다. 이러한 제한은 공정한 사용을 보장하고, 남용을 방지하며, 모든 사용자를 위해 서비스의 안정성과 성능을 유지합니다.