MongoDB Vector Search 기능

풍부한 중첩 데이터 구조를 사용하여 손쉽게 구성하고 쿼리할 수 있습니다. 임베딩 모델로 여러 필드를 모델링하고 최적의 성능을 위해 쿼리 시 이를 함께 고려합니다.

워크로드 격리 및 메모리 최적화된 멀티 클라우드 전용 인프라를 통해 독립적인 확장성을 제공하여 고가용성과 성능을 보장합니다.

검색 정확도를 유지하면서 더욱 효율적인 저장, 처리, 검색을 위해 벡터를 압축하여 규모를 확장하고 비용을 절감합니다.

정확성과 계산 가능성의 균형을 맞춰 복잡하고 고차원적인 벡터 사용 사례의 효율성을 지원하도록 설계되었습니다.

정밀도에 중점을 두도록 설계되었으며, 특히 벤치마킹과 개발 속도 개선이 중요한 소규모 데이터 세트에서 유용합니다.

텍스트 검색과 벡터 검색을 결합하여 벡터 유사성 또는 키워드 관련성의 우선 순위를 지정하도록 가중치를 유연하게 조정하여 정확도를 높입니다.

인덱스가 필요 없는 네이티브 $rerank 집계 단계는 복잡한 검색 인덱스를 만들고 끝없이 반복해야 하는 수고 없이 즉시 검색 품질을 높여주는 '터보차저'입니다.

이제 Atlas는 Voyage AI를 사용하여 데이터를 자동 임베드합니다. 모델을 선택하고 인덱스를 만든 다음 시맨틱 방식으로 검색하기만 하면 됩니다. 파이프라인이나 동기화, 추가 도구가 필요하지 않습니다.