Descrição
A Pesquisa Vetorial MongoDB é um recurso poderoso do MongoDB Atlas que permite aos usuários armazenar e pesquisar vetores ao lado de seus dados operacionais. Vetores são representações matemáticas de dados, expressas como arrays de números que capturam características ou propriedades específicas. No contexto de aprendizado de máquina e inteligência artificial, embeddings vetoriais são usados para codificar dados complexos, como texto, imagens ou áudio, em um formato que os computadores podem processar. Essa capacidade é essencial para aplicações como pesquisa semântica, sistemas de recomendação e IA generativa.
Ler mais
Uma das principais vantagens da Pesquisa Vetorial MongoDB é sua capacidade de realizar buscas com base no significado semântico capturado nos vetores, em vez de buscas tradicionais por palavras-chave. Isso permite resultados de busca mais precisos e contextualizados, melhorando a experiência do usuário. O MongoDB atua como um banco de dados vetorial, permitindo que os usuários gerenciem seus dados operacionais, metadados e embeddings vetoriais em um só lugar, eliminando a necessidade de bancos de dados separados e sincronização.
A Pesquisa Vetorial MongoDB suporta vários algoritmos para encontrar vetores semelhantes, incluindo K-Nearest Neighbor (KNN), Approximate Nearest Neighbor (ANN) e Exact Nearest Neighbor (ENN). Esses algoritmos são projetados para equilibrar precisão e desempenho, facilitando o manuseio de casos de uso vetoriais complexos e de alta dimensão. Além disso, a plataforma suporta embeddings de qualquer provedor dentro do limite de 4096 dimensões, permitindo flexibilidade na ingestão e consulta de dados.
A integração de capacidades nativas de reranking melhora a precisão da recuperação, garantindo que apenas os dados mais relevantes sejam entregues a grandes modelos de linguagem (LLMs), otimizando o gasto de tokens e melhorando o desempenho geral. Além disso, a capacidade de busca híbrida do MongoDB combina busca lexical e vetorial em uma única consulta, proporcionando aos usuários o melhor dos dois mundos.
A Pesquisa Vetorial MongoDB é adequada para uma ampla gama de aplicações, incluindo pesquisa semântica, geração aumentada por recuperação (RAG) e o desenvolvimento de sistemas agentes. Com seus recursos robustos e capacidades, a Pesquisa Vetorial MongoDB capacita as organizações a construir aplicações inteligentes que aproveitam o poder dos dados vetoriais.
- CategoriaBancos de dados vetoriais e recuperação
- Modelo de preçosFreemium
- ImplantaçãoNuvem
- PlataformasAWS, Azure, GCP
Recursos principais de Pesquisa Vetorial MongoDB
Banco de dados multi-nuvem totalmente gerenciado
Pesquisa de Vizinhos Mais Próximos Aproximada (ANN)
Pesquisa de Vizinhos Mais Próximos Exata (ENN)
Capacidades de busca híbrida
Integração de reranking nativo
Geração automatizada de embeddings
Escalonamento independente com Nós de Busca
Eficiência de custo através da quantização vetorial
Como usar Pesquisa Vetorial MongoDB?
Crie embeddings vetoriais usando um modelo de código aberto ou deixe o MongoDB gerá-los automaticamente.
Defina um índice de busca vetorial para os embeddings que deseja consultar.
Use a etapa $vectorSearch no pipeline de agregação para consultas.
Combine consultas vetoriais com filtros de metadados para resultados de busca aprimorados.
Casos de uso de Pesquisa Vetorial MongoDB
- Pesquisa Semântica
- Geração Aumentada por Recuperação
- Sistemas Agentes
- Sistemas de Recomendação
- Detecção de Anomalias
