Vektorsuche

Unter semantischer Suche versteht man die Suche nach der Bedeutung von Daten und nicht nach den Daten selbst.

Ein Vektor ist eine numerische Darstellung von Daten und dem zugehörigen Kontext, nach der mithilfe fortschrittlicher Algorithmen effizient gesucht werden kann.

Atlas Vector Search ermöglicht die Suche in Daten auf der Grundlage der in Vektoren erfassten semantischen Bedeutung, während Atlas Search die Suche nach Schlüsselwörtern ermöglicht (d. h. auf der Grundlage des eigentlichen Textes und definierter Synonymzuordnungen).

Ja, MongoDB Atlas ist eine Vektordatenbank. Atlas ist eine vollständig verwaltete Multi-Cloud-Entwicklerdatenplattform mit zahlreichen Funktionen, darunter Textsuche, lexikalische Suche und Vektorsuche. Anstatt eine eigenständige oder zusätzliche Vektordatenbank zu verwenden, können Benutzer dank der Vielseitigkeit unserer Plattform ihre Betriebsdaten, Metadaten und Vektoreinbettungen auf Atlas speichern und Atlas Vector Search nahtlos zum Indizieren, Abrufen und Erstellen leistungsstarker KI-Anwendungen der nächsten Generation verwenden.

KNN steht für „K Nearest Neighbors“, den Algorithmus, der häufig verwendet wird, um Vektoren nahe beieinander zu finden.

ANN steht für „Approximate Nearest Neighbors“ und ist ein Ansatz zur Suche nach ähnlichen Vektoren, bei dem Genauigkeit zugunsten der Leistung in Kauf genommen wird. Dies ist einer der Kernalgorithmen für die Atlas-Vektorsuche. Unser Algorithmus für die Suche nach ungefähren Nachbarn verwendet das HNSW-Diagramm (Hierarchical Navigable Small World) für die effiziente Indizierung und Abfrage von Millionen von Vektoren.

ANN steht für „Approximate Nearest Neighbors“ und ist ein Ansatz zur Suche nach ähnlichen Vektoren, bei dem Genauigkeit zugunsten der Leistung in Kauf genommen wird. Diese Methode gibt die exakt nächstgelegenen Vektoren zu einem Abfragevektor zurück, wobei die Anzahl der Vektoren durch die Variable „Limit“ angegeben wird. Die exakte Ausführung von Abfragen mit Vektorsuche kann eine Latenzzeit von weniger als einer Sekunde für ungefilterte Abfragen mit bis zu 10.000 Dokumenten einhalten. Es kann auch Antworten mit geringer Latenzzeit für hochselektive Filter liefern, die einen breiten Satz von Dokumenten auf 10.000 oder weniger Dokumente einschränken, sortiert nach Vektorrelevanz.

$vectorSearch ist eine Aggregationsstufe in MongoDB Atlas, mit der Sie eine Approximate Nearest Neighbor (ANN)- oder Exact Nearest Neighbor (ENN)-Abfrage mit MongoDB Query API-Filterung (z. B. „$eq“ oder „$gte“) ausführen können. Diese Phase wird auf Atlas cluster Version 6.0 und höher unterstützt. Der Atlas Search-Feldtyp knnVector und der Operator knnBeta in $search sind jetzt veraltet.

Search Nodes bietet für die Workloads von Atlas Search and Vector Search eine dedizierte Infrastruktur, sodass Sie die Rechnerressourcen optimieren und die Suchanforderungen unabhängig von der Datenbank vollständig skalieren können.Search Nodes bieten eine bessere Skalierungsleistung, die Isolation der Workloads, eine höhere Verfügbarkeit und die Möglichkeit, die Ressourcennutzung stärker zu optimieren.

Atlas Vector Search unterstützt Einbettungen von allen Anbietern, die unter dem Limit von 4096 Dimensionen für den Service liegen. Wir unterstützen derzeit die Aufnahme, Indizierung und Abfrage skalarer quantisierter Vektoreinbettungen vom Anbieter Ihrer Wahl. In Kürze werden wir Unterstützung für die Aufnahme binär quantisierter Vektoren sowie für die automatische skalare und binäre Quantisierung mit Neubewertung in Atlas hinzufügen, um Kosten- und Speichereffizienz ohne Kompromisse bei der Genauigkeit zu ermöglichen.

Ja, Atlas Vector Search kann jede Art von Daten abfragen, die in eine Einbettung umgewandelt werden können. Einer der Vorteile des Dokumentmodells besteht darin, dass Sie Ihre Einbettungen direkt neben Ihren umfangreichen Daten in Ihren Dokumenten speichern können.