Descripción
La Búsqueda Vectorial de MongoDB es una característica poderosa de MongoDB Atlas que permite a los usuarios almacenar y buscar vectores junto con sus datos operativos. Los vectores son representaciones matemáticas de datos, expresadas como arreglos de números que capturan características o propiedades específicas. En el contexto del aprendizaje automático y la inteligencia artificial, las incrustaciones vectoriales se utilizan para codificar datos complejos como texto, imágenes o audio en un formato que las computadoras pueden procesar. Esta capacidad es esencial para aplicaciones como la búsqueda semántica, sistemas de recomendación y IA generativa.
Leer más
Una de las principales ventajas de la Búsqueda Vectorial de MongoDB es su capacidad para realizar búsquedas basadas en el significado semántico capturado en los vectores, a diferencia de las búsquedas tradicionales por palabras clave. Esto permite obtener resultados de búsqueda más precisos y conscientes del contexto, mejorando la experiencia del usuario. MongoDB actúa como una base de datos vectorial, permitiendo a los usuarios gestionar sus datos operativos, metadatos e incrustaciones vectoriales todo en un solo lugar, eliminando la necesidad de bases de datos separadas y sincronización.
La Búsqueda Vectorial de MongoDB soporta varios algoritmos para encontrar vectores similares, incluyendo K-Nearest Neighbor (KNN), Approximate Nearest Neighbor (ANN) y Exact Nearest Neighbor (ENN). Estos algoritmos están diseñados para equilibrar precisión y rendimiento, facilitando el manejo de casos de uso vectoriales complejos y de alta dimensión. Además, la plataforma soporta incrustaciones de cualquier proveedor bajo el límite de 4096 dimensiones, permitiendo flexibilidad en la ingestión y consulta de datos.
La integración de capacidades de reranking nativas mejora la precisión de recuperación al asegurar que solo los datos más relevantes se entreguen a los modelos de lenguaje grande (LLMs), optimizando el gasto de tokens y mejorando el rendimiento general. Además, la capacidad de búsqueda híbrida de MongoDB combina la búsqueda léxica y vectorial en una sola consulta, proporcionando a los usuarios lo mejor de ambos mundos.
La Búsqueda Vectorial de MongoDB es adecuada para una amplia gama de aplicaciones, incluyendo búsqueda semántica, generación aumentada por recuperación (RAG) y el desarrollo de sistemas agentivos. Con sus características y capacidades robustas, la Búsqueda Vectorial de MongoDB empodera a las organizaciones para construir aplicaciones inteligentes que aprovechan el poder de los datos vectoriales.
- CategoríaBases de datos vectoriales y recuperación
- Modelo de preciosFreemium
- ImplementaciónNube
- PlataformasAWS, Azure, GCP
Características principales de Búsqueda Vectorial de MongoDB
Base de datos multi-nube completamente gestionada
Búsqueda de Vecinos Más Cercanos Aproximada (ANN)
Búsqueda de Vecinos Más Cercanos Exacta (ENN)
Capacidades de búsqueda híbrida
Integración de reranking nativo
Generación automatizada de incrustaciones
Escalado independiente con Nodos de Búsqueda
Eficiencia de costos a través de cuantización de vectores
¿Cómo usar Búsqueda Vectorial de MongoDB?
Crea incrustaciones vectoriales utilizando un modelo de código abierto o deja que MongoDB las genere automáticamente.
Define un índice de búsqueda vectorial para las incrustaciones que deseas consultar.
Utiliza la etapa $vectorSearch en el pipeline de agregación para consultas.
Combina consultas vectoriales con filtros de metadatos para mejorar los resultados de búsqueda.
Casos de uso de Búsqueda Vectorial de MongoDB
- Búsqueda Semántica
- Generación Aumentada por Recuperación
- Sistemas Agentivos
- Sistemas de Recomendación
- Detección de Anomalías
