Description
La recherche vectorielle MongoDB est une fonctionnalité puissante de MongoDB Atlas qui permet aux utilisateurs de stocker et de rechercher des vecteurs aux côtés de leurs données opérationnelles. Les vecteurs sont des représentations mathématiques de données, exprimées sous forme de tableaux de nombres qui capturent des caractéristiques ou des propriétés spécifiques. Dans le contexte de l'apprentissage automatique et de l'intelligence artificielle, les embeddings vectoriels sont utilisés pour encoder des données complexes telles que du texte, des images ou de l'audio dans un format que les ordinateurs peuvent traiter. Cette capacité est essentielle pour des applications telles que la recherche sémantique, les systèmes de recommandation et l'IA générative.
Lire la suite
Un des principaux avantages de la recherche vectorielle MongoDB est sa capacité à effectuer des recherches basées sur le sens sémantique capturé dans les vecteurs, contrairement aux recherches par mots-clés traditionnelles. Cela permet d'obtenir des résultats de recherche plus précis et contextuels, améliorant ainsi l'expérience utilisateur. MongoDB sert de base de données vectorielle, permettant aux utilisateurs de gérer leurs données opérationnelles, métadonnées et embeddings vectoriels au même endroit, éliminant ainsi le besoin de bases de données séparées et de synchronisation.
La recherche vectorielle MongoDB prend en charge divers algorithmes pour trouver des vecteurs similaires, y compris K-Nearest Neighbor (KNN), Approximate Nearest Neighbor (ANN) et Exact Nearest Neighbor (ENN). Ces algorithmes sont conçus pour équilibrer précision et performance, facilitant ainsi la gestion de cas d'utilisation vectoriels complexes et de haute dimension. De plus, la plateforme prend en charge les embeddings de tout fournisseur sous la limite de 4096 dimensions, permettant une flexibilité dans l'ingestion et la requête des données.
L'intégration de capacités de reranking natif améliore la précision de récupération en garantissant que seules les données les plus pertinentes sont livrées aux modèles de langage de grande taille (LLMs), optimisant ainsi les dépenses en tokens et améliorant la performance globale. En outre, la capacité de recherche hybride de MongoDB combine la recherche lexicale et la recherche vectorielle dans une seule requête, offrant aux utilisateurs le meilleur des deux mondes.
La recherche vectorielle MongoDB est adaptée à un large éventail d'applications, y compris la recherche sémantique, la génération augmentée par récupération (RAG) et le développement de systèmes agentiques. Avec ses fonctionnalités et capacités robustes, la recherche vectorielle MongoDB permet aux organisations de créer des applications intelligentes qui tirent parti de la puissance des données vectorielles.
- CatégorieBases de données vectorielles et récupération
- Modèle tarifaireFreemium
- DéploiementCloud
- PlateformesAWS, Azure, GCP
Fonctionnalités principales de Recherche Vectorielle MongoDB
Base de données multi-cloud entièrement gérée
Recherche Approximate Nearest Neighbor (ANN)
Recherche Exact Nearest Neighbor (ENN)
Capacités de recherche hybride
Intégration de reranking natif
Génération automatisée d'embeddings
Mise à l'échelle indépendante avec les nœuds de recherche
Efficacité des coûts grâce à la quantification vectorielle
Comment utiliser Recherche Vectorielle MongoDB ?
Créez des embeddings vectoriels à l'aide d'un modèle open-source ou laissez MongoDB les générer automatiquement.
Définissez un index de recherche vectorielle pour les embeddings que vous souhaitez interroger.
Utilisez l'étape $vectorSearch dans le pipeline d'agrégation pour les requêtes.
Combinez les requêtes vectorielles avec des filtres de métadonnées pour améliorer les résultats de recherche.
Cas d'utilisation de Recherche Vectorielle MongoDB
- Recherche Sémantique
- Génération Augmentée par Récupération
- Systèmes Agentiques
- Systèmes de Recommandation
- Détection d'Anomalies
