べクトル検索

ベクトルは、データの数学的表現であり、特定の機能やプロパティを捉える数値の配列として表現されます。機械学習や人工知能において、ベクトル埋め込みはこれらの数値表現を指し、テキスト、画像、音声などの複雑なデータをコンピューターが理解し処理できる形式にエンコードするためによく使用されます。埋め込みは、類似性や文脈的意味など、データ内の関係やパターンを保持するように設計されています。例えば、自然言語処理では、意味が類似する単語はベクトル空間内で近い位置に埋め込まれます。このアプローチにより、効率的な検索、レコメンデーションシステム、その他の機械学習タスクが可能になります。

ベクトル検索は、ベクトルに含まれる意味に基づいてデータを検索するのに対し、Atlas Search はキーワード検索（実際のテキストと定義された同義語のマッピングに基づく検索）を行います。

はい、MongoDB はベクトルデータベースです。Atlas はフルマネージドのマルチクラウドデータプラットフォームで、テキスト検索、辞書検索、ベクトル検索など豊富な機能を備えています。スタンドアロンやボルトオンのベクトルデータベースを使用するのではなく、汎用性の高い MongoDB のプラットフォーム上で、運用データ、メタデータ、ベクトル埋め込みを保存し、ベクトル検索をシームレスに使用してインデックス作成、検索、高性能な生成 AI アプリケーションの構築ができます。

k近傍法（KNN）は「K-Nearest Neighbors」の略で、類似するベクトルを見つけるためによく使われるアルゴリズムです。

近似最近傍探索（ANN）は「Approximate Nearest Neighbors」の略で、類似したベクトルを見つける際に精度よりもパフォーマンスを重視したアプローチです。これはベクトル検索の中核となるアルゴリズムのひとつです。Atlas Vector Search の近似最近傍探索アルゴリズムは、HNSW（Hierarchical Navigable Small World）グラフを使用して、何百万ものベクトルの効率的なインデックス作成とクエリを行います。

厳密な最近傍探索（ENN）は「 Exact Nearest Neighbors」の略で、パフォーマンスよりも精度を重視して類似ベクトルを見つけるアプローチです。このメソッドは、クエリベクトルに厳密に最も近いベクトルを返します。厳密な最近傍（ENN）検索クエリの実行では、10,000 ドキュメントまでのフィルタリングなしのクエリで、秒未満のレイテンシを維持できます。また、文書セットを 10,000 文書以下に制限し、ベクトルの関連性で並べる高度に選択的なフィルターに対しても、低レイテンシの応答を提供できます。

$vectorSearch は MongoDB Atlas の集計ステージです。MongoDB Query API のフィルタリング（$eq や $gte など）を使って ANN（Approximate Nearest Neighbor）または ENN（Exact Nearest Neighbor）クエリを実行できます。このステージは Atlas クラスタのバージョン 6.0 以降でサポートされています。Atlas Search knnVector フィールドタイプと $search の knnBeta 演算子は非推奨になりました。

MongoDB Vector Search は、4096 次元までの埋め込みをサポートしています。

埋め込みプロバイダからのスカラーおよびバイナリ量子化ベクトルの取り込み、インデックス作成、クエリをサポートします。また、MongoDB では、フルフィデリティベクトルの自動スカラー量子化と自動バイナリ量子化を実装するオプションも提供しています。

はい、MongoDB Vector Search は、ベクトル埋め込みに変換できるあらゆる種類のデータをクエリできます。ドキュメントモデルの利点の一つは、エンベッディングをリッチデータと一緒にドキュメントに保存できることです。