MongoDB Voyage AI의 동급 최고 클래스의 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 학습하려면 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 .
더 나은 함께하기
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 임베딩 으로 변환하는 알고리즘입니다. 이러한 벡터는 벡터 검색 을 활성화하고 안정적인 AI 애플리케이션을 구축하기 위한 주요 접근 방식인 검색 증강 생성(RAG)의 필수 빌딩 블록을 제공합니다.
- reranker
- Rerankers 는 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 점 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 데이터베이스와 함께 사용할 수 있지만 MongoDB Vector Search 및 MongoDB Atlas와 원활하게 통합됩니다.
- RAG
- RAG(검색 증강 생성)는 더 정확한 응답을 생성할 수 있도록 대규모 언어 모델(LLM)을 추가 데이터로 보강하는 데 사용되는 아키텍처입니다. 자세한 학습 내용은 Voyage AI와 함께하는 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.