Vector Search

Os vetores são representações matemáticas de dados, expressos como arrays de números que capturam recursos ou propriedades específicas. Em aprendizado de máquina e inteligência artificial, os embeddings vetoriais referem-se a essas representações numéricas, frequentemente usadas para codificar dados complexos como texto, imagens ou áudio em um formato que os computadores possam entender e processar. Os embeddings são projetados para reter relacionamentos e padrões dentro dos dados, como semelhanças ou significado contextual. Por exemplo, no processamento de linguagem natural, palavras com significados semelhantes são representadas por embeddings próximos um do outro no espaço vetorial. Essa abordagem permite pesquisas eficientes, sistemas de recomendação e outras tarefas de aprendizado de máquina.

O Embedding Automatizado é um recurso que gera embeddings vetoriais para seus dados diretamente dentro do MongoDB. Quando você define um campo autoEmbed em um índice de pesquisa vetorial, o MongoDB cria automaticamente embeddings com um modelo de IA da Voyage no momento da ingestão, atualização e consulta — mantendo os vetores sincronizados com seus documentos sem um pipeline externo.

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

Sim, o MongoDB é um banco de dados vetorial. O MongoDB Atlas é uma plataforma de dados inteligente, preparada para IA e totalmente gerenciada, com um vasto conjunto de funcionalidades que inclui a pesquisa textual ou lexical e vetorial. Em vez de usar um banco de dados vetorial autônomo ou complementar, a versatilidade da nossa plataforma permite que os usuários armazenem seus dados operacionais, metadados e embeddings vetoriais e usem a pesquisa vetorial de forma integrada para indexação, recuperação e criação de aplicações de IA generativa de alto desempenho. O MongoDB Vector Search também está disponível para o MongoDB Enterprise Advanced, a forma mais flexível de executar o MongoDB em produção localmente e em nuvens privadas. Ele também está disponível no MongoDB Community Edition.

MongoDB Vector Search suporta embeddings de qualquer provedor que esteja dentro do limite de 4096 dimensões do serviço.

O Automated Embedding suporta a família de modelos Voyage AI, todos hospedados no perímetro de segurança do Atlas, com configuração para dimensões de saída e saídas quantizadas.

Apoiamos a ingestão, a indexação e a consulta de vetores quantizados binários e escalares dos provedores de embedding. Também oferecemos a opção de implementar a quantização binária e escalar automática de vetores de fidelidade total em MongoDB.  

Você pode trazer seus próprios embeddings de qualquer provedor e o MongoDB Vector Search sempre funcionará com isso.

Ao usar o Automated Embedding, a inferência, a autenticação, o dimensionamento, as novas tentativas e a sincronização são gerenciados pelo MongoDB. Não há serviço de embedding externo para provisionar, nenhuma chave para rotacionar e nenhuma infraestrutura de sincronização para operar. Os modelos de embedding são cobrados de acordo com o seu uso real de tokens.

Ao usar o Bring your own embeddings, você é responsável por ingerir os embeddings vetoriais gerados pelo provedor de sua escolha. Todas as operações relacionadas — faturamento, limites de taxa e gerenciamento de chaves de API — precisam ser tratadas por você.

KNN significa "K-Nearest Neighbors", que é o algoritmo frequentemente usado para encontrar vetores próximos uns dos outros.

ANN significa "Approximate Nearest Neighbors" e é uma abordagem para encontrar vetores semelhantes que troca a precisão pelo desempenho. Este é um dos principais algoritmos usados para impulsionar o Atlas Vector Search. Nosso algoritmo para pesquisa de Approximate Nearest Neighbor usa o grafo Hierarchical Navigable Small World (HNSW) para indexação e consulta eficientes de milhões de vetores.

ENN significa "Exact Nearest Neighbors" e é uma abordagem para encontrar vetores semelhantes que pode pode comprometer um pouco o desempenho em favor da precisão. Esse método retorna os vetores mais próximos exatos de um vetor de consulta, com o número de vetores especificado pela variável limit. A execução de consultas de pesquisa vetorial exata (ENN) pode manter a latência abaixo de um segundo para consultas não filtradas de até 10.000 documentos. Ela 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.

Sim, a quantização vetorial é suportada.

Com o Automated Embedding, você pode escolher entre quantização escalar, de ponto flutuante, binária (com reclassificação usando vetores de ponto flutuante) e binária sem reclassificação.

Com a traga seus próprios embeddings, oferecemos suporte à ingestão, indexação e consulta de vetores quantizados binários e escalares de provedores de embedding. Também oferecemos a opção de implementar a quantização binária e escalar automática de vetores de fidelidade total no MongoDB.

Sim, o MongoDB Vector Search pode consultar qualquer tipo de dado que possa ser transformado em um embedding vetorial. Um dos benefícios do modelo de documento é que você pode armazenar seus embeddings junto aos seus dados avançados nos documentos.

A reclassificação nativa ($rerank) aumenta instantaneamente a precisão da recuperação ao integrar os principais modelos de reclassificação da Voyage AI diretamente no mecanismo de query do MongoDB. A reclassificação nativa do MongoDB permite que os usuários garantam que apenas dados altamente pertinentes sejam entregues à sua LLM, otimizando o gasto de tokens e aumentando a precisão.

A pesquisa híbrida no MongoDB combina a pesquisa lexical e a pesquisa vetorial em uma única consulta, de modo que as aplicações podem se beneficiar tanto da precisão das palavras-chave quanto da relevância semântica. No MongoDB, a pesquisa híbrida é executada diretamente em dados operacionais em tempo real, o que ajuda as equipes a melhorar a recuperação sem adicionar um sistema de pesquisa separado para sincronizar e manter. O MongoDB é compatível com estágios de fusão nativos para recuperação híbrida, oferecendo às equipes uma maneira mais simples de combinar resultados lexicais e vetoriais em uma única consulta. O MongoDB é compatível com estágios de fusão nativos para recuperação híbrida, oferecendo às equipes uma maneira mais simples de combinar resultados lexicais e vetoriais em uma única consulta.