ATLAS
Vector Search
Integrações em destaque
Principais casos de uso para o Atlas Vector Search
O Atlas Vector Search permite pesquisar dados não estruturados. Você pode criar incorporações vetoriais com modelos de aprendizado de máquina, como OpenAI e Hugging Face, e armazená-los e indexá-los no Atlas para recuperação aprimorada de geração (RAG), semantic search, mecanismos de recomendação, personalização dinâmica e outros casos de uso.
Pesquisa por vetor simplificada
Com o Atlas Vector Search, os desenvolvedores podem criar experiências impulsionadas por IA, acessando todos os dados de que precisam por meio de uma experiência de desenvolvedor unificada e consistente na forma da API de Consulta do MongoDB. Nosso novo estágio de agregação $vectorSearch facilita ainda mais o uso do MongoDB.
Evite o imposto de sincronização
Armazene incorporações vetoriais diretamente ao lado de seus dados de origem e metadados com o poder do modelo de documento. As incorporações vetoriais são integradas aos dados da aplicação e indexadas de forma transparente para consultas semânticas, permitindo que você construa de forma mais fácil e rápida.
Retire o trabalho operacional pesado
O Atlas Vector Search é desenvolvido na plataforma de dados do desenvolvedor do MongoDB Atlas. Automatize facilmente o provisionamento, patching, atualizações, escalabilidade, segurança e recuperação de desastres, enquanto fornece uma visão profunda do desempenho tanto para o banco de dados quanto para o Vector Search, para que você possa se concentrar na criação de aplicativos.Ecossistema robusto de integrações de IA
LangChain
O MongoDB Atlas Vector Search integra-se ao LangChain para fornecer uma "memória de longo prazo" para LLMs e como um armazenamento para conversas de chat.
LlamaIndex
O MongoDB Atlas Vector Search se integra ao LlamaIndex para fornecer "memória de longo prazo" para LLMs, bem como fornecer uma loja para blocos de documentos.
OpenAI
As incorporações vetoriais geradas pelo OpenAI podem ser armazenadas no MongoDB Atlas Vector Search para criar aplicativos de IA generativa de alto desempenho.
Hugging Face
O Hugging Face fornece acesso a muitos modelos de código aberto que podem ser facilmente utilizados para gerar incorporações vetoriais e armazená-los no Atlas Vector Search.
Cohere
Os vetores de incorporação criados pela Cohere podem ser guardados no MongoDB Atlas Vector Search para desenvolver aplicativos de IA generativa de alta performance.
Nomic
O Nomic oferece a capacidade de visualizar e explorar dados de incorporação de vetores facilmente no navegador da Web, além de gerar incorporação de vetores por meio da ferramenta thegpt4all. Ele funciona facilmente com o Atlas Vector Search.
Microsoft Semantic Kernel
O Semantic Kernel é um SDK que simplifica a criação de aplicativos de LLM com linguagens de programação como C# e python. O Atlas Vector Search é integrada para fornecer “memória” para aplicativos LLM.
“Com o Atlas Vector Search, temos agora um banco de dados de metadados vetoriais testado em batalha, refinado durante uma década, atendendo efetivamente aos nossos fortes requisitos de recuperação. Não há necessidade de implantar outro novo banco de dados, pois nossos vetores e metadados de artefatos podem ser perfeitamente armazenados juntos".
"Estamos utilizando incorporações de IA e Vector Search para ir além da pesquisa de texto completo com significado semântico e dar contexto e memória a assistentes de compra de carros com IA generativa. Estamos muito entusiasmados com o fato de o MongoDB ter adicionado o Vector Search ao Atlas, o que simplifica muito nosso trabalho de engenharia".
Perguntas frequentes
O que é pesquisa semântica?
O que é um vetor?
Qual é a diferença entre Atlas Vector Search e Atlas Search?
O que é KNN?
O que é $vectorSearch e como é diferente do operador knnBeta em $search?
O que é ANN?
Quais incorporações de vetores são suportadas pelo Atlas Search?
O Vector Search funciona com imagens, arquivos de mídia e outros tipos de dados?
