Atlas Vector Search 인덱스 생성

이 페이지의 내용

이 작업에 대하여

단계
예시
결과
자세히 알아보기

버전 1.42.1 에 추가되었습니다.

MongoDB Compass를 사용하여 Atlas Vector Search 인덱스 를 만들 수 있습니다. 이러한 인덱스를 사용하면 벡터 데이터 및 기타 데이터 유형을 인덱싱하여 인덱싱된 필드에 대한 시맨틱 검색을 용이하게 할 수 있습니다. Atlas Vector Search 인덱스는 가장 유사한 벡터를 식별하여 벡터 데이터 인덱싱을 지원합니다. 인덱스는 쿼리 벡터와 인덱스에 저장된 벡터 간의 거리를 계산하여 유사성을 결정합니다.

이 작업에 대하여

Atlas Search 인덱스 를 만들려면 배포서버 가 다음 경우 중 하나와 일치해야 합니다.

MongoDB Atlas 에서 호스팅되는 배포이며 Atlas 클러스터 계층이 M10 이상이어야 합니다.
Atlas CLI를 사용하여 설정된 로컬 배포입니다.

또한 배포에서 MongoDB 버전 7.0 이상을 실행해야 합니다.

단계

인덱스 생성 대화상자 열기

인덱스 탭 에서 Create 버튼을 클릭한 다음 Search Index 을 클릭합니다.

인덱스 이름 지정

Atlas Search 인덱스 유형 선택

Vector Search0}을 선택합니다.

Atlas Vector Search 인덱스 구성 제공

처음에는 다음과 같은 기본 벡터 검색 인덱스 구성을 제공해야 합니다. 나중에 구성을 수정할 수 있습니다.

필드

유형

설명

type

문자열

인덱스 유형을 식별하는 사람이 읽을 수 있는 레이블입니다. 인덱싱된 필드에 대해 벡터 검색 을 수행하려면 값이 vector 이어야 합니다. 생략하면 기본값 search 이(가) 전체 텍스트 검색 만 지원합니다.

path

문자열

인덱싱할 필드 이름입니다.

numDimensions

int

Atlas Search가 인덱스 및 쿼리 시 적용하는 벡터 차원의 수입니다. 이 값은 4096보다 클 수 없습니다.

similarity

문자열

상위 K-최근접 이웃을 검색 하는 데 사용되는 벡터 유사성 함수입니다. 다음 기능 중에서 선택합니다.

기능	설명
`euclidean`	벡터의 끝과 끝 사이의 거리를 측정하는 함수입니다. 이 함수를 사용하면 다양한 차원을 기준으로 유사성을 측정할 수 있습니다.
`cosine`	벡터 사이의 각도를 기준으로 유사성을 측정하는 함수입니다. 이 함수를 사용하면 크기에 따라 배율이 조정되지 않는 유사성을 측정할 수 있습니다. 코사인에는 크기가 0인 벡터를 사용할 수 없습니다. 코사인 유사성을 측정하려면 벡터를 정규화하고 대신 dotProduct를 사용하는 것이 좋습니다.
`dotProduct`	코사인과 유사하게 측정하지만 벡터의 크기를 고려하는 함수입니다. 이 함수를 사용하면 각도와 크기를 기준으로 유사성을 효율적으로 측정할 수 있습니다. dotProduct를 사용하려면 인덱스 및 쿼리 시점에 벡터를 단위 길이로 정규화해야 합니다.

클릭 Create Search Index

예시

다음 예시 정의에서는 sample_mflix.embedded_movies 컬렉션을 사용하고 plot_embedding 필드를 인덱싱하여 Atlas Vector Search 인덱스를 생성합니다.

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

결과

생성된 인덱스의 상태를 보려면 Indexes 탭으로 Go 오른쪽 상단의 토글을 Search Indexes 로 설정합니다.

Status 열은 인덱스의 상태를 나타냅니다. 상태가 Ready이면 인덱스를 사용할 준비가 된 것입니다.

검색 인덱스 상태에 대한 자세한 내용은 Atlas Search 인덱스 상태를 참조하세요.

자세히 알아보기

돌아가기

Atlas Search 인덱스

데이터 스키마 분석