Atlas Vector Search インデックスの作成

項目一覧

このタスクについて

手順
例
結果
詳細

バージョン 1.42.1 の新機能。

MongoDB Compass を使用して Atlas Vector Search インデックスを作成できます。これらのインデックスを使用すると、ベクトルデータやその他のデータ型にインデックスを付けることができ、インデックスされたフィールドのセマンティック検索が容易になります。 Atlas Vector Search インデックスは、最も類似したベクトルを識別することによりベクトルデータのインデックス作成をサポートします。インデックスは、クエリベクトルとインデックスに保存されているベクトルとの間の距離を計算して類似性を判断します。

このタスクについて

Atlas Search インデックスを作成するには、配置が次のいずれかのケースに一致する必要があります。

MongoDB Atlasでホストされており、Atlas クラスター階層が M 10以上である配置。
Atlas CLI を使用して設定されるローカル配置。

また、配置では MongoDB バージョン 7.0 以降を実行する必要があります。

手順

インデックス作成ダイアログを開く

[ インデックスタブから、 Createボタンをクリックし、次にSearch Indexをクリックします。

インデックスの名前を指定する

Atlas Search インデックスのタイプを選択します

Vector Search を選択します。

Atlas Vector Search インデックス構成の提供

最初に次のデフォルトのベクトル検索インデックス構成を指定する必要があります。構成は後で変更できます。

フィールド

タイプ

説明

type

string

インデックスのタイプを識別する、人間が判読可能なラベル。インデックス付きフィールドに対してベクトル検索を実行するには、値はvectorである必要があります。省略した場合、デフォルトはsearchになります。これは全文検索のみをサポートします。

path

string

インデックスを作成するフィールド名。

numDimensions

整数

Atlas Search がインデックス作成時およびクエリ時に強制されるベクトル次元の数。この値は4096より大きくすることはできません。

similarity

string

上位 K 近傍の検索に使用されるベクトル類似度関数。次の関数から選択します。

関数	説明
`euclidean`	ベクトルの端点間の距離を測定する関数。この関数を使用すると、さまざまな次元に基づいて類似性を測定できます。
`cosine`	ベクトル間の角度に基づいて類似性を測定する関数。この関数を使用すると、大きさでスケーリングされない類似性を測定できます。コサインでは絶対値ゼロのベクトルは使用できません。コサイン類似度を測定するには、ベクトルを正規化して、代わりに dot積を使用することをお勧めします。
`dotProduct`	コサインと同様に測定する関数ですが、ベクトルの大きさを考慮します。この関数を使用すると、角度と大きさの両方に基づいて類似性を効率的に測定できます。 dotProduct を使用するには、インデックス作成時とクエリ時にベクトルを単位の長さへ正規化する必要があります。

クリック Create Search Index

例

次の定義例では、 sample_mflix.embedded_moviesコレクションを使用し、 plot_embeddingフィールドにインデックスを作成して Atlas Vector Search インデックスを作成します。

{
   "fields": [ {
      "type": "vector",
      "path": "plot_embedding",
      "numDimensions": 1536,
      "similarity": "euclidean"
   } ]
}

結果

作成したインデックスのステータスを表示するには、Indexes タブにGoし、右上のトグルを Search Indexes に設定します。

Status列は、インデックスのステータスを示します。ステータスがReadyの場合、インデックスは使用可能です。

検索インデックスステータスの詳細については、「 Atlas Search インデックスステータス」を参照してください。

詳細

戻る

Atlas Search インデックス

データスキーマの分析