Tafole ea likateng[Pata][Bontša]
Li-database tsa Vector li emela phetoho e kholo tseleng eo re laolang le ho toloka datha, haholo-holo mafapheng a bohlale ba maiketsetso le thuto ea mochini.
Mosebetsi oa mantlha oa li-database tsena ke ho sebetsana ka katleho le li-vector tsa maemo a holimo, e leng lisebelisoa tse tala tsa mefuta ea ho ithuta ea mochini mme li kenyelletsa phetoho ea mongolo, setšoantšo, kapa tlhahiso ea molumo hore e be boemeli ba linomoro sebakeng se nang le mefuta e mengata.
Bakeng sa lits'ebetso tse joalo ka lits'ebetso tsa likhothaletso, temoho ea ntho, ho khutlisa litšoantšo, le ho lemoha bomenemene, phetoho ena e feta feela polokelo; ke monyako oa bokhoni bo matla lipatlong tse tšoanang le lipotso tse haufi tsa boahelani.
Ka botebo, matla a li-database tsa vector a matleng a bona a ho fetolela lintlha tse ngata tse sa hlophisoang, tse rarahaneng ho li-vectors tse hapang moelelo le moelelo oa litaba tsa mantlha.
Mesebetsi e ntlafalitsoeng ea ho batla e khoneha ka ho kenya mefuta ea khouto ena e kenyelletsa bokhoni ba ho botsa li-vector tse potolohileng ho fumana litšoantšo kapa lipoleloana tse amanang.
Li-database tsa Vector li ikhethile ka hore li hahiloe holim'a mekhoa e tsoetseng pele ea indexing e kang Inverted File Index (IVF) le Hierarchical Navigable Small World (HNSW), e ntlafatsang lebelo la bona le katleho ea bona ha ho ntse ho fumanoa baahisani ba haufi le libaka tsa N-dimensional.
Ho na le phapang e hlakileng lipakeng tsa li-database tsa vector le tsa khale. Li-database tse tloaelehileng li ntle haholo ha li hlophisa datha ka lihlopha tse hlophisitsoeng tse ntlafalitsoeng ke CRUD 'me li khomarela li-schemas tse behiloeng.
Leha ho le joalo, ha u sebetsana le tlhaho e matla le e rarahaneng ea data ea boemo bo phahameng, ho tiea hona ho qala ho fetoha tšitiso.
Ka lehlakoreng le leng, li-database tsa li-vector li fana ka tekanyo ea ho tenyetseha le ts'ebetso eo litloaelo tsa setso li ke keng tsa lekana, haholo-holo bakeng sa lits'ebetso tse itšetlehileng haholo ka tsona. ho ithuta mochine le bohlale ba maiketsetso. Ha se feela hore li ka senyeha ebile li na le tsebo ea ho batla ho tšoana.
Li-database tsa Vector li bohlokoa haholo bakeng sa lits'ebetso tse hlahisang AI. Ho netefatsa hore lintho tse entsoeng li boloka maemo a nepahetseng, lits'ebetso tsena - tse kenyelletsang mokhoa oa puo ea tlhaho le tlhahiso ea litšoantšo - li ipapisitse le ho khutlisoa kapele le ho bapisoa ha lintho tse kentsoeng.
Kahoo karolong ena, re tla sheba lits'oants'o tse holimo tsa vector bakeng sa projeke ea hau e latelang.
1. Milvus
Milvus ke sebaka sa polokelo ea li-vector tse bulehileng tse etselitsoeng haholo lits'ebetso tsa AI, ho kenyeletsoa lipatlisiso tsa ho tšoana le li-MLOps tse matla.
E fapane le databases tse tloaelehileng tsa likamano, tse sebetsanang haholo le tsona data e hlophisitsoeng, ka lebaka la bokhoni bona, bo e nolofalletsang ho bonts'a li-vector ka sekala sa litrilione tse e-s'o ka tsa e-ba teng.
Boitlamo ba Milvus ho scalability le phumaneho e phahameng bo bonahatsoa ke tsela eo e ntlafalitseng ka eona ho tloha mofuteng oa eona oa pele ho isa ho Milvus 2.0 e phatlalalitsoeng ka botlalo, e tsoang marung.
Haholo-holo, Milvus 2.0 e bonts'a moralo o felletseng oa maru o ikemiselitseng ho fumaneha ka mokhoa o makatsang oa 99.9% ha o ntse o hola ho feta makholo a li-node.
Bakeng sa ba batlang tharollo ea database ea vector e tšepahalang, khatiso ena e khothaletsoa haholo kaha ha e kenye feela likarolo tse rarahaneng joalo ka khokahano ea maru a mangata le phanele ea tsamaiso, empa e boetse e ntlafatsa maemo a ts'ebetso ea data bakeng sa nts'etsopele ea ts'ebeliso e bonolo.
Monyetla o hlokomelehang oa Milvus ke mokhoa oa eona o tsamaisoang ke sechaba, o fanang ka ts'ehetso ea lipuo tse ngata le ketane e pharalletseng ea lisebelisoa e etselitsoeng litlhoko tsa bahlahisi.
Lefapheng la IT, scalability ea leru le ts'epahalo, hammoho le bokhoni ba eona ba ho batla li-vector tse phahameng ho li-dataset tse kholo, e etsa hore e be khetho e tsebahalang.
Ho feta moo, e ntlafatsa ts'ebetso ea ts'ebetso ea eona e sebelisa mokhoa oa ho batla oa lebasetere o kopanyang patlo e tšoanang ea vector le sefa sa scalar.
Milvus e na le phanele ea tsamaiso e hlakileng sebopeho sa mosebedisi, sete e felletseng ea li-API, le meralo ea scalable le e ka fetolehang.
Puisano le lits'ebetso tsa ka ntle li nolofalloa ke sekhahla sa ho fihlella, ha ho leka-lekanya mojaro le tsamaiso ea data li hokahanngoa ke tšebeletso ea mohokahanyi, e sebetsang e le taelo e bohareng.
Ho sa feleng ha database ho tšehetsoa ke lera la polokelo ea ntho, ha li-node tsa basebetsi li etsa mesebetsi ho netefatsa hore ho na le scalability.
ditheko
E lokolohile ho sebelisoa bakeng sa motho e mong le e mong.
2. KHAHLISO
Sehlopha sa Lipatlisiso sa Facebook sa AI se thehile laeborari ea morao-rao e bitsoang Facebook AI Similarity Search e etselitsoeng ho etsa hore lihlopha tse teteaneng tsa li-vector le lipatlisiso tse tšoanang li atlehe haholoanyane.
Tlhahiso ea eona e tsamaisitsoe ke tlhoko ea ho ntlafatsa bokhoni ba ho batla ba Facebook AI ka ho sebelisa mekhoa ea mantlha ea mantlha.
Ha ho bapisoa le ts'ebetsong e thehiloeng ho CPU, ts'ebetsong ea GPU ea boemo bo holimo ea FAISS e ka potlakisa linako tsa ho batla ka makhetlo a mahlano ho isa ho a leshome, e leng se etsang hore e be sesebelisoa sa bohlokoa bakeng sa mefuta e fapaneng ea ts'ebeliso, ho kenyeletsoa mekhoa ea likhothaletso le ho tsebahatsa meelelo e tšoanang ka boholo. li-datasets tse sa hlophisoang joalo ka mongolo, molumo le video.
FAISS e khona ho sebetsana le mefuta e mengata ea ho tšoana, joalo ka ho tšoana ha cosine, sehlahisoa sa ka hare, le metric e sebelisoang hangata ea L2 (bohole ba Euclidean).
Litekanyo tsena li etsa hore ho be bonolo ho etsa lipatlisiso tse nepahetseng le tse feto-fetohang tsa mefuta eohle ea data. Likarolo tse joalo ka ts'ebetso ea batch, li-trade-offs tse potlakileng, le ts'ehetso bakeng sa lipatlisiso tse nepahetseng le tse lekanyelitsoeng li eketsa ho fetoha habonolo ha eona.
Ho feta moo, FAISS e fana ka mokhoa o ka senyehang oa ho sebetsana le li-dataset tse kholo ka ho lumella li-index ho bolokoa ho disk.
Faele e fetotsoeng, palo ea lihlahisoa (PQ), le PQ e ntlafalitsoeng ke tse seng kae feela tsa mekhoa e mecha e etsang motheo oa lipatlisiso oa FAISS 'me e eketsa katleho ea eona ha ho tluoa tabeng ea ho etsa indexing le ho batlisisa libaka tsa vector tsa boemo bo holimo.
Maano ana a matlafatsoa ke mekhoa e tsoetseng pele joalo ka mokhoa o potlakileng oa ho khetha k-khetho ea GPU le ho sefa bohole ba PQ esale pele, e netefatsang bokhoni ba FAISS ba ho hlahisa liphetho tsa lipatlisiso tse potlakileng le tse nepahetseng esita le lits'ebetsong tsa data tsa sekala sa libilione.
ditheko
E lokolohile ho sebelisoa bakeng sa motho e mong le e mong.
3. phaene khoune
Pinecone ke moetapele oa li-database tsa vector, e fanang ka ts'ebeletso e laoloang ke maru, e hahiloeng ka ho khetheha ho ntlafatsa ts'ebetso ea lits'ebetso tsa AI tse matla haholo.
E etselitsoe ho sebetsana le li-vectors tse kentsoeng, tse bohlokoa bakeng sa tlhahiso ea AI, lipatlisiso tsa semantic, le lits'ebetso tse sebelisang mefuta e mengata ea lipuo.
Hona joale AI e khona ho utloisisa tlhahisoleseling ea semantic ka lebaka la likhatiso tsena, tse sebetsang hantle e le mohopolo oa nako e telele bakeng sa mesebetsi e rarahaneng.
Pinecone e ikhethile ka hore e kopanya ka mokhoa o sa tsitsang bokhoni ba li-database tsa setso le ts'ebetso e ntlafalitsoeng ea li-index tsa li-vector, e nolofalletsang ho boloka le ho botsa lipotso ka mokhoa o nepahetseng le o moholo.
Sena se etsa hore e be khetho e nepahetseng maemong ao ho rarahana le bongata ba data bo amehang bo etsang hore li-database tse tloaelehileng tse thehiloeng ho scalar li sa lekana.
Pinecone e fa bahlahisi tharollo e se nang mathata ka lebaka la mokhoa oa eona oa ts'ebeletso o laoloang, o tsamaisang mokhoa oa ho kopanya le oa nako ea nnete ea ho kenya data.
Ts'ebetso e mengata ea data e ts'ehelitsoe ke eona, ho kenyelletsa ho lata, ho ntlafatsa, ho hlakola, ho botsa, le ho phahamisa data.
Pinecone e boetse e tiisa hore lipotso tse emelang liphetoho tsa nako ea 'nete tse kang ho tsosoa le ho hlakoloa li fana ka likarabo tse nepahetseng, tse sa reng letho bakeng sa li-index tse nang le li-vector tse limilione tse likete.
Maemong a feto-fetohang, karolo ena e bohlokoa bakeng sa ho boloka bohlokoa le bocha ba liphetho tsa lipotso.
Ho feta moo, tšebelisano ea Pinecone le Airbyte ka khokahanyo ea Pinecone e eketsa ho tenyetseha ha eona le ho feto-fetoha ha maemo, e leng se lumellang khokahanyo e bonolo ea data ho tsoa mehloling e mengata.
Ka kamano ena, litšenyehelo le katleho li ka ntlafatsoa ka ho netefatsa hore boitsebiso bo sa tsoa fumanoa bo sebetsanoa ka ho hokahanya ha data.
Moralo oa sehokelo o totobatsa bonolo, o hloka li-parameter tse nyane feela tsa ho seta, 'me oa atoloha, o lumella lintlafatso tsa nako e tlang.
ditheko
Litefiso tsa pele li qala ho $5.80 / khoeli bakeng sa nyeoe ea tšebeliso ea RAG.
4. Weaviate
Weaviate ke polokelo ea boitsebiso e ncha e fumanehang e le software e bulehileng e fetolang tsela eo re fihlellang le ho sebelisa data ka eona.
Weaviate e sebelisa bokhoni ba ho batla li-vector, tse nolofalletsang lipatlisiso tse tsoetseng pele, tse hlokomelang maemo ho li-database tse kholo, tse rarahaneng, ho fapana le li-database tse tloaelehileng tse itšetlehileng ka boleng ba scalar le lipotso tse boletsoeng esale pele.
Ka mokhoa ona, u ka fumana litaba tse ipapisitseng le hore na li tšoana joang le litaba tse ling, tse ntlafatsang kutloisiso ea lipatlisiso le bohlokoa ba liphetho.
Ho kopanya ha eona ka mokhoa o bonolo le mehlala ea ho ithuta mochine ke e 'ngoe ea litšobotsi tsa eona tse ka sehloohong; sena se e lumella ho sebetsa e le ho feta feela tharollo ea polokelo ea data; e boetse e lumella data ho utloisisoa le ho hlahlojoa ho sebelisoa bohlale ba maiketsetso.
Mehaho ea Weaviate e kenyelletsa kopano ena ka botlalo, e etsa hore ho khonehe ho hlahloba lintlha tse rarahaneng ntle le tšebeliso ea lisebelisoa tse eketsehileng.
Tšehetso ea eona bakeng sa mefuta ea data ea kerafo e boetse e fana ka maikutlo a fapaneng mabapi le data e le mekhatlo e hokahantsoeng, e pepesang lipaterone le lintlha tse ka hloloheloa meahong e tloaelehileng ea database.
Ka lebaka la meralo ea Weaviate ea modular, bareki ba ka eketsa bokhoni bo kang vectorization ea data le popo ea bekapo ha ho hlokahala.
Phetolelo ea eona ea mantlha e sebetsa joalo ka polokelo ea litsebi tsa data ea vector, 'me e ka atolosoa ka li-module tse ling ho fihlela litlhoko tse fapaneng.
scalability ea eona e matlafatsoa le ho feta ke moralo oa eona oa modular, o tiisang hore lebelo le ke ke la etsoa sehlabelo ka lebaka la ho eketseha ha palo ea data le litlhoko tsa lipotso.
Mokhoa o feto-fetohang le o sebetsang oa ho sebelisana le data e bolokiloeng o khoneha ka tšehetso ea database bakeng sa li-API tsa RESTful le GraphQL.
Haholo-holo, GraphQL e khethiloe ka lebaka la bokhoni ba eona ba ho etsa lipotso tse rarahaneng, tse thehiloeng ho kerafo ka potlako, tse nolofalletsang basebelisi ho fumana lintlha tseo ba li batlang ntle le ho fumana lintlha tse ngata tse feteletseng kapa tse sa lekaneng.
Weaviate e bonolo ho basebelisi ho feta lilaebraring tse fapaneng tsa bareki le lipuo tsa mananeo ka lebaka la API ea eona e bonolo.
Bakeng sa ba batlang ho hlahloba Weaviate ho ea pele, ho na le litokomane tse ngata le lithupelo tse fumanehang, ho tloha ho theha le ho hlophisa mohlala oa hau ho ea botebong ba bokhoni ba eona joalo ka patlo ea vector, kopanyo ea ho ithuta ka mochini, le moralo oa schema.
U ka fihlella theknoloji e ts'oanang e matla e etsang hore tlhahisoleseling e be matla le ho sebetsa hore na u nka qeto ea ho sebelisa Weaviate sebakeng sa heno, leru dikhomphiutha tikoloho, kapa ka tšebeletso ea maru e laoloang ke Weaviate
ditheko
Litheko tsa premium tsa sethala li qala ho tloha ho $ 25 / khoeli bakeng sa ho hloka seva.
5. Chroma
Chroma ke polokelo ea litaba e tsoetseng pele e ikemiselitseng ho fetola mokhoa oa ho khutlisa le ho boloka data, haholo-holo bakeng sa lits'ebetso tse kenyelletsang ho ithuta ka mochini le bohlale ba maiketsetso.
Kaha Chroma e sebetsa le li-vector sebakeng sa linomoro tsa scalar, ho fapana le li-database tse tloaelehileng, e ntle haholo ho laola lintlha tse phahameng, tse rarahaneng.
Ena ke tsoelo-pele e kholo ho thekenoloji ea ho khutlisa data kaha e thusa lipatlisiso tse tsoetseng pele tse ipapisitseng le ho tšoana ha semantic ea thepa ho fapana le ho bapisa mantsoe a bohlokoa ka nepo.
Tšobotsi e hlokomelehang ea Chroma ke bokhoni ba eona ba ho sebetsa le litharollo tse 'maloa tsa polokelo, joalo ka ClickHouse bakeng sa li-setting tse lekantsoeng le DuckDB bakeng sa lits'ebetso tse ikemetseng, tse netefatsang ho fetoha le maemo le ho ikamahanya le maemo a fapaneng a ts'ebeliso.
Chroma e entsoe ka bonolo, lebelo, le tlhahlobo kelellong. E fumaneha ho bahlahisi ba bangata ba nang le li-SDK tsa Python le JavaScript/TypeScript.
Ho feta moo, Chroma e hatella haholo ho sebelisana le basebelisi, e lumellang bahlahisi ho theha database ea ka ho sa feleng e tšehelitsoeng ke DuckDB kapa polokelong ea memori bakeng sa tlhahlobo.
Bokhoni ba ho haha lintho tse bokelletsoeng tse tšoanang le litafole lits'ebetsong tse tloaelehileng, moo lintlha tsa mongolo li ka kenngoa le ho fetoloa ka bohona hore e be li-embeddings ho sebelisoa mefuta e kang ea-MiniLM-L6-v2 le ho feta, e eketsa ts'ebetso ena e fapaneng.
Mongolo le tse kentsoeng li ka kopanngoa ka mokhoa o phethahetseng, e leng ntho ea bohlokoa bakeng sa lits'ebetso tse hlokang ho utloisisa semantics ea data.
Motheo oa mokhoa oa ho tšoana oa vector ea Chroma ke likhopolo tsa lipalo tsa orthogonality le density, tse bohlokoa bakeng sa ho utloisisa boemeli le papiso ea data ho database.
Mehopolo ena e lumella Chroma ho etsa lipatlisiso tse hlakileng le tse sebetsang tsa ho tšoana ka ho ela hloko likhokahano tsa semantic lipakeng tsa likarolo tsa data.
Lisebelisoa tse kang lithupelo le litataiso li ka fumaneha ho batho ba batlang ho hlahloba Chroma ho ea pele. Li kenyelletsa tataiso ea mohato ka mohato mabapi le mokhoa oa ho theha database, ho theha pokello, le ho etsa lipatlisiso tse tšoanang.
ditheko
U ka qala ho e sebelisa mahala.
6. Vespa
Vespa ke sethala se fetolang ts'ebetso ea inthanete ea AI le data e kholo.
Morero oa mantlha oa Vespa ke ho nolofalletsa likhomphutha tsa "latency" tse tlase ho li-dataset tse kholo, tse o nolofalletsang ho boloka, ho supa, le ho sekaseka mongolo, vector le data e hlophisitsoeng habonolo.
Vespa e khetholloa ke bokhoni ba eona ba ho fana ka likarabo tse potlakileng ka tekanyo leha e le efe, ho sa tsotellehe mofuta oa lipotso, likhetho, kapa mekhoa e ithutoang ka mochine e tsamaisoang.
Ho feto-fetoha ha maemo ha Vespa ho bontšoa ka har'a enjine ea eona ea ho batla e sebetsang ka botlalo le database ea vector, e nolofalletsang lipatlisiso tse ngata ka har'a potso e le 'ngoe, ho tloha ho vector (ANN), lexical, le data e hlophisitsoeng.
Ho sa tsotelehe boholo, o ka etsa lits'ebetso tsa ho batla tse bonolo le tse arabelang ka bokhoni ba AI ba nako ea nnete ka lebaka la kopanyo ena ea mohopolo o ithutoang ka mochini le data ea hau.
Leha ho le joalo, Vespa hase feela ho batla; e boetse e mabapi le ho utloisisa le ho etsa meralo ea ho kopana.
Lisebelisoa tsa maemo a holimo tsa maemo a holimo le litlhahiso li fana ka likhothaletso tse matla, tsa hajoale tse etselitsoeng basebelisi kapa maemo a itseng.
Vespa e fetola papali bakeng sa mang kapa mang ea batlang ho kena sebakeng sa puisano sa AI hape, kaha e fana ka lisebelisoa tsa motheo tse hlokahalang ho boloka le ho hlahloba lintlha tsa mongolo le vector ka nako ea sebele, e leng se lumellang nts'etsopele ea baemeli ba AI ba tsoetseng pele le ba sebetsang.
Ka li-tokenization tse felletseng, lipatlisiso tsa mongolo o felletseng, lipatlisiso tsa baahisani ba haufi, le lipotso tse hlophisitsoeng tsa data kaofela li tšehetsoa ke lipotso tse pharalletseng tsa sethala.
E fapane ka hore e khona ho sebetsana le lipotso tse thata ka ho kopanya likarolo tse 'maloa tsa ho batla.
Vespa ke setsi sa matla sa khomphutha bakeng sa AI le lits'ebetso tsa ho ithuta ka mochini hobane enjene ea eona ea khomphutha e khona ho sebetsana le mantsoe a rarahaneng a lipalo ho feta li-scalar le tensor.
Ha e sebetsa, Vespa e entsoe hore e be bonolo ho e sebelisa le ho atolosoa.
E fokotsa mekhoa e pheta-phetoang, ho tloha ho tlhophiso ea tsamaiso le nts'etsopele ea ts'ebeliso ho ea ho data le tsamaiso ea node, e nolofalletsang ts'ebetso ea tlhahiso e sireletsehileng le e sa sitisoeng.
Mehaho ea Vespa e etsa bonnete ba hore e hola le data ea hau, e boloka ts'epo le ts'ebetso ea eona.
ditheko
U ka qala ho e sebelisa mahala.
7. Quadrant
Qdrant ke sethala sa database sa vector se feto-fetohang se fanang ka bokhoni bo ikhethang ba ho fihlela litlhoko tse ntseng li hola tsa AI le lits'ebetso tsa ho ithuta ka mochini.
Motheong oa eona, Qdrant ke enjine ea ho batla e tšoanang le vector e fanang ka API e bonolo ho e sebelisa bakeng sa ho boloka, ho fumana, le ho boloka li-vector hammoho le data ea litefiso.
Karolo ena e bohlokoa lits'ebetsong tse 'maloa, joalo ka lipatlisiso tsa semantic le likhothaletso, tse hlokang ho toloka lifomate tse rarahaneng tsa data.
Sethala se hahiloe ka katleho le scalability kelellong, se khonang ho sebetsana le li-dataset tse kholo tse nang le lintlha tse limilione tse likete.
E fana ka metrics e mengata ea hole ho kenyelletsa Cosine Similarity, Euclidean Distance, le Dot Product, e etsa hore e fetohe maemong a mangata a ts'ebeliso.
Moralo ona o fana ka sefa se rarahaneng, joalo ka likhoele, mefuta, le li-geo-filters, ho fihlela litlhoko tse fapaneng tsa ho batla.
Qdrant e fumaneha ho batho ba ntlafatsang ka mekhoa e fapaneng, ho kenyelletsa le setšoantšo sa Docker bakeng sa litlhophiso tse potlakileng tsa lehae, moreki oa Python bakeng sa ba phutholohileng ka puo, le ts'ebeletso ea leru bakeng sa tikoloho e matla haholoanyane, ea boemo ba tlhahiso.
Ho ikamahanya le maemo ha Qdrant ho lumella ho hokahana ho se nang moeli le tlhophiso efe kapa efe ea theknoloji kapa litlhoko tsa ts'ebetso.
Ho feta moo, sebopeho se bonolo sa Qdrant se nolofatsa taolo ea database ea vector. Sethala se reretsoe ho otloloha bakeng sa basebelisi ba maemo ohle a boiphihlelo, ho tloha popong ea lihlopha ho isa ho tlhahiso ea linotlolo tsa API bakeng sa phihlello e bolokehileng.
Bokhoni ba eona ba ho kenya ka bongata le API ea asynchronous e ntlafatsa ts'ebetso ea eona, e e etsa sesebelisoa sa bohlokoa haholo ho bahlahisi ba sebetsanang le lintlha tse ngata haholo.
ditheko
U ka qala ho e sebelisa mahala mme litheko tsa premium li qala ho tloha ho $25 ka node / khoeli e lefelloa ka hora.
8. Astra DB
Bokhoni ba ho batla ba vector bo phahameng ba AstraDB le boqapi bo se nang seva bo fetola lits'ebetso tse hlahisang AI.
AstraDB ke khetho e ntle bakeng sa ho laola lipatlisiso tse rarahaneng, tse amehang maemo ho pholletsa le mefuta e fapaneng ea data kaha e hahiloe holim'a motheo o tiileng oa Apache Cassandra 'me e kopanya ka mokhoa o se nang moeli ho scalability, botsitso le tshebetso.
Bokhoni ba AstraDB ba ho sebetsana le meroalo e mengata ea mesebetsi, ho kenyeletsoa ho phallela, e seng vector, le data ea vector, ha e ntse e boloka latency e tlase haholo bakeng sa ho botsa ka nako e le 'ngoe le ts'ebetso ea ntlafatso, ke o mong oa melemo ea eona e ikhethang.
Ho ikamahanya le maemo ho bohlokoa bakeng sa lits'ebetso tsa AI tse hlahisang, tse hlokang ho phallela le ho sebetsa ha data ka nako ea nnete e le ho fana ka likarabo tse nepahetseng, tse hlokomelang maemo a AI.
Tharollo e se nang seva e tsoang ho AstraDB e etsa hore nts'etsopele e be bonolo le ho feta, e lokolla bahlahisi hore ba tsepamise maikutlo ho theheng lits'ebetso tse ncha tsa AI ho fapana le ho laola meaho ea morao-rao.
Ho tloha ho tataiso e potlakileng ho ea lithutong tse tebileng mabapi le ho theha li-chatbots le litsamaiso tsa likhothaletso, AstraDB e thusa bahlahisi ho lemoha mehopolo ea bona ea AI ka potlako ka li-API tse tšepahalang le likhokahano tse boreleli tse nang le lisebelisoa le sethala se tsebahalang.
Sistimi ea AI e hlahisang maemo a khoebo e tlameha ho etelletsa pele ts'ireletso le ho latela melao, 'me AstraDB e fana ka mahlakore ka bobeli.
Likarolo tse tebileng tsa ts'ireletso ea likhoebo le litifikeiti tsa ho latela li fanoa ke eona, e netefatsa hore lits'ebetso tsa AI tse ntlafalitsoeng ho AstraDB li latela melaoana e thata ka ho fetisisa ea lekunutu le ts'ireletso ea data.
ditheko
U ka qala ho e sebelisa mahala mme e fana ka mohlala oa ho lefa-joalo ka ha u ea.
9. Patlo e Butsoeng
OpenSearch e bonahala e le khetho e khahlang bakeng sa ba ntseng ba hlahloba li-database tsa vector, haholo-holo bakeng sa ho nts'etsapele litsamaiso tsa AI tse feto-fetohang, tse scalable le tse pakang kamoso.
OpenSearch ke pokello ea li-vector tse kenyeletsang tsohle, tse bulehileng tse kopanyang matla a li-analytics, patlo e tsoetseng pele ea vector, le lipatlisiso tse tloaelehileng tsamaisong e le 'ngoe e kopaneng.
Ka ho sebelisa mekhoa ea ho kenyelletsa ho ithuta ka mochini ho kenyelletsa moelelo le moelelo oa mefuta e mengata ea data-litokomane, linepe le molumo-ho li-vectors bakeng sa lipatlisiso tse tšoanang, kopanyo ena e thusa haholo-holo ho baetsi ba batlang ho kenyelletsa kutloisiso ea semantic lits'ebetsong tsa bona tsa ho batla.
Leha OpenSearch e na le lintho tse ngata tseo e ka fanang ka tsona, ho bohlokoa ho hopola hore ha ho bapisoa le Elasticsearch, ho bile le liphetoho tse fokolang haholo tsa khoutu, haholo li-module tsa bohlokoa joalo ka lipuo tsa mongolo le li-processor tsa lipeipi tsa ho kenya.
Elasticsearch e ka ba le bokhoni bo tsoetseng pele haholo ka lebaka la boiteko bo matla ba nts'etsopele, bo lebisang phapanong ea ts'ebetso, sete ea likarolo, le lintlafatso lipakeng tsa tse peli.
OpenSearch e lefella sechaba se seholo se latelang le boinehelo ho mehopolo ea mohloli o bulehileng, e hlahisang sethala se bulehileng le se feto-fetohang.
E ts'ehetsa mefuta e mengata ea lits'ebetso ho feta ho batla le ho sekaseka, joalo ka tlhahlobo ea ho bonoa le ts'ireletso, e e etsa sesebelisoa se feto-fetohang bakeng sa mesebetsi e tebileng ea data.
Leano le tsamaisoang ke sechaba le netefatsa lintlafatso le likhokahano tse tsoelang pele ho boloka sethala se le nakong ebile se ikhethile.
ditheko
U ka qala ho e sebelisa mahala.
10. Azure AI Search
Azure AI Search ke sethala se matla se ntlafatsang bokhoni ba ho batla ka har'a lits'ebetso tse hlahisang AI.
E hlahella hobane e ts'ehetsa patlo ea vector, mokhoa oa ho supa, ho boloka, le ho khutlisa tse kentsoeng ka har'a lethathamo la lipatlisiso.
Karolo ena e thusa ho fumana litokomane tse ka bapisoang sebakeng sa vector, e leng se hlahisang liphetho tsa lipatlisiso tse amanang le maemo.
Azure AI Search e khetholloa ka ts'ehetso ea eona bakeng sa maemo a lebasetere, moo lipatlisiso tsa vector le mantsoe a bohlokoa li etsoang ka nako e le 'ngoe, e leng se hlahisang sephetho se kopaneng se atisang ho feta katleho ea mokhoa o mong le o mong o sebelisoang o le mong.
Motsoako oa lisebelisoa tsa vector le tseo e seng tsa vector indexing e le 'ngoe li u fa boiphihlelo bo felletseng le bo feto-fetohang ba ho batla.
Karolo ea patlo ea vector ho Azure AI Search e fumaneha hohle ebile e sa lefelloe bakeng sa likarolo tsohle tsa Azure AI Search.
E feto-fetoha habonolo bakeng sa mefuta e mengata ea ts'ebeliso le likhetho tsa nts'etsopele ka lebaka la ts'ehetso ea eona bakeng sa libaka tse 'maloa tsa nts'etsopele, tse fanoang ka sebaka sa Azure, HO Khatholla APIs, le li-SDK tsa Python, JavaScript, le.NET, har'a tse ling.
Ka kopanyo ea eona e tebileng le Azure AI ecosystem, Azure AI Search e fana ka ho feta ho batla feela; e boetse e ntlafatsa bokhoni ba ecosystem bakeng sa lits'ebetso tse hlahisang AI.
Azure OpenAI Studio bakeng sa ho kenyelletsa mohlala le Litšebeletso tsa Azure AI bakeng sa ho khutlisa litšoantšo ke mehlala e 'meli feela ea lits'ebeletso tse kenyellelitsoeng kopanyong ena.
Azure AI Search ke tharollo e feto-fetohang bakeng sa bahlahisi ba lakatsang ho kenyelletsa mesebetsi e tsoetseng pele ea ho batla lits'ebetsong tsa bona ka lebaka la ts'ehetso ea eona e pharaletseng, e nolofalletsang mefuta e mengata ea likopo, ho tloha ho batla ho tšoana le ho batla mefuta e mengata ho ea ho lipatlisiso tse nyalisitsoeng le ho batla ka lipuo tse ngata.
ditheko
U ka qala ho e sebelisa mahala mme litheko tsa pele li qala ho tloha ho $0.11/hora.
fihlela qeto e
Li-database tsa Vector li fetola taolo ea data ho AI ka ho laola li-vector tsa maemo a holimo, tse lumellang lipatlisiso tse matla tsa ho tšoana le lipotso tse potlakileng tsa boahelani lits'ebetsong tse joalo ka lits'ebetso tsa likhothaletso le ho lemoha bomenemene.
Ka ts'ebeliso ea li-algorithms tse tsoetseng pele tsa indexing, li-database tsena li fetolela data e rarahaneng e sa hlophisoang hore e be li-vector tse nang le moelelo ha li ntse li fana ka lebelo le bonolo tseo li-database tsa setso li sa li faneng.
Li-platform tse hlokomelehang li kenyelletsa Pinecone, e khanyang lits'ebetsong tse hlahisang AI; FAISS, e entsoeng ke Facebook AI bakeng sa lihlopha tse teteaneng tsa vector; le Milvus, e tsebahalang ka boqhetseke le boqapi ba eona ba maru.
Weaviate e kopanya ho ithuta ka mochini le ho batla ho tseba maemo, athe Vespa le Chroma li tsebahala ka bokhoni ba tsona ba khomphutha ea morao-rao le boiketlo ba ts'ebeliso, ka ho latellana.
Li-database tsa Vector ke lisebelisoa tsa bohlokoa bakeng sa ho nts'etsapele AI le mahlale a ho ithuta ka mochini ho tloha ha liforomo tse kang Qdrant, AstraDB, OpenSearch, le Azure AI Search li fana ka lits'ebeletso tse fapaneng ho tloha meahong e se nang seva ho ea ho lipatlisiso tse pharalletseng le litlhahlobo.
Leave a Reply