Vector Search

Les vecteurs sont des représentations mathématiques de données, exprimées sous forme de gammes de nombres qui capturent des fonctionnalités ou des propriétés spécifiques. En apprentissage automatique et en intelligence artificielle, les intégrations vectorielles font référence à ces représentations numériques, souvent utilisées pour encoder des données complexes telles que du texte, des images ou de l’audio dans un format que les ordinateurs peuvent comprendre et traiter. Les intégrations sont conçues pour conserver les relations et les structures au sein des données, telles que les similarités ou la signification contextuelle. Par exemple, dans le traitement automatique du langage naturel, les mots aux significations similaires sont représentés par des intégrations proches les unes des autres dans l’espace vectoriel. Cette approche permet une recherche efficace, des systèmes de recommandation et d’autres tâches d’apprentissage automatique.

Automated Embedding est une fonctionnalité qui génère des intégrations de vecteurs pour vos données directement au sein de MongoDB. Lorsque vous définissez un champ autoEmbed dans un index de recherche de vecteurs, MongoDB crée automatiquement des intégrations avec un modèle Voyage AI au moment de l'ingestion, de la mise à jour et de la requête, ce qui permet de maintenir les vecteurs synchronisés avec vos documents sans pipeline externe.

MongoDB Vector Search permet de rechercher des données sur la base de la signification sémantique capturée dans les vecteurs, tandis que MongoDB Search permet de rechercher des mots-clés, c’est-à-dire en fonction du texte réel et de toute correspondance synonymique définie.

Oui, MongoDB est une base de données vectorielle. Atlas est une plateforme de données intelligente, prête pour l’IA et entièrement gérée, dotée d’un riche éventail de fonctionnalités, notamment la recherche textuelle, lexicale et vectorielle. Plutôt que d’utiliser une base de données vectorielle autonome ou intégrée, la polyvalence de notre plateforme permet aux utilisateurs de stocker leurs données opérationnelles, leurs métadonnées et leurs embeddings vectoriels et d’utiliser de manière fluide la recherche vectorielle pour l’indexation, la récupération et la création d’applications d’IA générative performantes. MongoDB Vector Search est également disponible pour MongoDB Enterprise Advanced, la manière la plus flexible d’exécuter MongoDB en production sur site et dans des clouds privés. Il est également disponible dans MongoDB Community Edition.

MongoDB Vector Search prend en charge les intégrations de n’importe quel fournisseur en dessous de la limite de dimension de 4 096 sur le service.

L'intégration automatisée prend en charge la famille de modèles Voyage AI, tous hébergés dans le périmètre de sécurité d’Atlas, avec une configuration pour les dimensions de sortie et les sorties quantifiées.

Nous prenons en charge l’ingestion, l’indexation et l’interrogation de vecteurs quantifiés scalaires et binaires provenant de fournisseurs d’intégrations. Nous offrons par ailleurs la possibilité de mettre en place une quantification scalaire et binaire automatique de vecteurs haute fidélité dans MongoDB.  

Vous pouvez utiliser vos propres intégrations depuis n’importe quel fournisseur et MongoDB Vector Search fonctionnera toujours avec cela.

Lors de l'ingestion de l'intégration automatisée, l'inférence, l'authentification, la mise à l'échelle, les nouvelles tentatives et la synchronisation sont gérés par MongoDB. Il n'y a aucun service d'intégration externe à fournir, aucune clé à faire pivoter et aucune infrastructure de synchronisation à exploiter. Les modèles d'intégration sont facturés en fonction de votre utilisation réelle de jetons.

Lorsque vous utilisez « Apportez vos propres intégrations », vous êtes responsable de l'ingestion de l'intégration vectorielle généré par le fournisseur de votre choix. Toutes les opérations connexes (facturation, limites de débit, gestion des clés d'API) doivent être traitées par vous.

KNN signifie « K-Nearest Neighbors », un algorithme fréquemment utilisé pour trouver des vecteurs proches les uns des autres.

ANN signifie « Approximate Nearest Neighbors » et constitue une approche pour trouver des vecteurs similaires qui privilégie la performance au détriment de la précision. Il s’agit de l’un des algorithmes de base utilisés pour alimenter Atlas Vector Search. Notre algorithme de recherche approximative des plus proches voisins utilise le graphique Hierarchical Navigable Small World (HNSW) pour une indexation et une interrogation efficaces de millions de vecteurs.

ENN signifie « Exact Nearest Neighbors » et il s’agit d’une approche pour trouver des vecteurs similaires qui peut privilégier la précision au détriment de la performance. Cette méthode renvoie les vecteurs exacts les plus proches d’un vecteur de requête, avec le nombre de vecteurs spécifié par la variable limit. L’exécution d’une requête de recherche vectorielle exacte (ENN) peut assurer une latence inférieure à la seconde pour des requêtes non filtrées jusqu’à 10 000 documents. Elle peut également donner des réponses à faible latence pour des filtres très sélectifs qui limitent un large ensemble de documents à 10 000 documents ou moins, classés par pertinence vectorielle.

Oui, la quantification vectorielle est prise en charge.

Avec Automated Embedding, vous pouvez choisir entre scalaire, flottant, binaire (avec recalcul utilisant des vecteurs flottants) et binaire sans recalcul.

Avec l'importation de vos propres intégrations, nous prenons en charge l’ingestion, l’indexation et l’interrogation de vecteurs quantifiés scalaires et binaires provenant de fournisseurs d'intégrations. Nous offrons également la possibilité de mettre en place la quantification scalaire et binaire automatique des vecteurs haute fidélité dans MongoDB.

Oui, MongoDB Vector Search peut effectuer une requête sur n’importe quel type de données pouvant être transformées en embedding vectoriel. L’un des avantages du document model est que vous pouvez stocker vos embeddings directement à côté de vos données riches dans vos documents.

Le reclassement natif ($rerank) améliore instantanément la précision de la récupération en intégrant les modèles de reclassement de premier plan de Voyage AI directement dans le moteur de requêtes de MongoDB. Le reclassement natif de MongoDB permet aux utilisateurs de s’assurer que seules les données hautement pertinentes sont transmises à votre LLM, optimisant ainsi les dépenses en jetons et améliorant la précision.

La recherche hybride sur MongoDB combine la recherche lexicale et la recherche vectorielle en une seule requête, permettant ainsi aux applications de bénéficier à la fois de la précision des mots-clés et de la pertinence sémantique. Sur MongoDB, la recherche hybride s'effectue directement sur les données opérationnelles en temps réel, aidant ainsi les équipes à améliorer la recherche sans avoir à ajouter un système de recherche distinct à synchroniser et à maintenir. MongoDB prend en charge des étapes de fusion natives pour la recherche hybride, offrant ainsi aux équipes un moyen plus simple de combiner les résultats lexicaux et vectoriels en une seule requête. MongoDB prend en charge des étapes de fusion natives pour la recherche hybride, offrant ainsi aux équipes un moyen plus simple de combiner les résultats lexicaux et vectoriels en une seule requête.