Vector Search

Pesquisa semântica é a prática de pesquisar sobre o significado dos dados em vez dos próprios dados.

Um vetor é uma representação numérica de dados e seu contexto associado, que pode ser eficientemente pesquisado usando algoritmos avançados.

O Atlas Vector Search permite a pesquisa de dados com base no significado semântico capturado em vetores, enquanto o Atlas Search permite a pesquisa por palavra-chave (ou seja, com base no texto real e em quaisquer mapeamentos de sinônimos definidos).

Sim, o MongoDB Atlas é um banco de dados vetorial. O Atlas é uma plataforma de dados para desenvolvedores de multinuvem e totalmente gerenciada com uma rica matriz de recursos que inclui pesquisa de texto ou lexical e vetorial. Em vez de usar um banco de dados de vetores autônomo ou integrado, a versatilidade da nossa plataforma permite que os usuários armazenem seus dados operacionais, metadados e embeddings de vetores no Atlas e usem perfeitamente o Atlas Vector Search para indexação, recuperação e criação de aplicativos de IA de gênero de alto desempenho.

KNN, ou Vizinhos Mais Próximos, é o algoritmo frequentemente usado para encontrar vetores próximos um do outro.

ANN, ou Vizinhos Mais Próximos Aproximados, é uma abordagem para encontrar vetores semelhantes que troca a precisão em favor do desempenho. Este é um dos algoritmos fundamentais usados para impulsionar o Atlas Vector Search. Nosso algoritmo para pesquisa de vizinho mais próximo aproximado usa o gráfico Hierarchical Navigable Small World (HNSW) para indexação e consulta eficientes de milhões de vetores.

ENN, ou Vizinhos Mais Próximos Exatos, é uma abordagem para encontrar vetores semelhantes que troca um pouco de desempenho em favor da precisão. Esse método retorna os vetores exatos mais próximos de um vetor de consulta, com o número de vetores especificado pela variável limit.A execução da consulta de pesquisa vetorial exata pode manter uma latência de menos de um segundo para consultas não filtradas de até 10.000 documentos. Ele também pode fornecer respostas de baixa latência para filtros altamente seletivos que restringem um amplo conjunto de documentos a 10.000 documentos ou menos, ordenados pela relevância do vetor.

O $vectorSearch é um estágio de agregação no MongoDB Atlas que permite executar uma consulta de vizinho mais próximo aproximado (ANN) ou vizinho mais próximo exato (ENN) com filtragem de API de consulta do MongoDB (por exemplo, “$eq” ou “$gte”). Este estágio terá suporte nos clusters do Atlas versão 6.0 e superior. O tipo de campo knnVector do Atlas Search e o operador knnBeta em $search estão agora obsoletos.

Os nós de pesquisa fornecem infraestrutura dedicada para cargas de trabalho do Atlas Search e Vector Search, permitindo otimizar os recursos de computação e dimensionar por completo as necessidades de pesquisa independentemente do banco de dados.Os nós de pesquisa fornecem melhor desempenho em escala, com isolamento de carga de trabalho, maior disponibilidade e melhor otimização do uso dos recursos.

O Atlas Vector Search oferece suporte a incorporações de qualquer provedor que esteja abaixo do limite de dimensão 4096 no serviço. Atualmente, oferecemos suporte à ingestão, à indexação e à consulta de embeddings de vetores quantizados escalares do provedor de sua escolha. Em breve, adicionaremos suporte para ingestão de vetores quantizados binários, bem como quantização escalar e binária automática com repontuação no Atlas, permitindo a eficiência de custos e armazenamento sem comprometer a precisão.

Sim, o Atlas Vector Search pode consultar qualquer tipo de dado que possa ser transformado em incorporação. Um dos benefícios do modelo de documento é que você pode armazenar seus embeddings junto com seus dados ricos em seus documentos.