主要功能:
- 使用机器学习模型(OpenAI、Hugging Face)的向量嵌入 🤖
- 在 Atlas 上存储数据、元数据和向量嵌入 💾
- 利用 Atlas 向量搜索:
- 检索增强型生成(RAG) 🧠
- 语义搜索 🔍
- 推荐引擎 📊
- 动态个性化 👤
更快更简单的构建:
- 无需复制或传输数据 🚀
- 将向量嵌入与源数据和元数据一起存储 📚
- 在应用程序数据中嵌入向量,创建向量索引 🔗
无忧数据库管理:
- 自动配置、修补、升级、扩展、安全和灾难恢复 🤖
向量:
- 数据及其相关上下文的数字表示 📊
- 通过向量距离度量语义相似性 🌐
- 应用场景: RAG、语义搜索 🔍
Atlas 向量搜索:
- 搜索与操作数据并列的向量嵌入 🔍
- 避免数据同步,节省资金 💰
- 支持 LlamaIndex、OpenAI、Hugging Face、LangChain 🤖
混合搜索:
- 结合全文和向量搜索 🔍
- 保留全文搜索的准确性,获得向量搜索的语义能力 🎯
基础设施:
- 独立可扩展,消除风险 🔒
- 高资源争用,低停机时间 💪
Atlas 搜索节点:
- 自动扩展搜索工作负载 🚀
- 隔离搜索和数据库工作负载 🔍🗄️
- 搜索集群数据与操作数据同步,无需 ETL 🔄
RAG 最小化幻觉:
- 将模型响应锚定在事实信息上 🧠
- 使用最新的数据源 📚
关键应用场景:
- 语义搜索 🔍
- 检索增强型生成(RAG),提高商业生产力 👨💻
计算密集型搜索节点:
- 内存优化,低 CPU 选项 💻
- 适合向量搜索 🔍
检索相似向量:
- 近似最近邻(ANN)算法 🔍
检索最相似向量:
- K 近邻(KNN)搜索 🔍
- 层次可导航小世界(HNSW)算法 🔍
立即开始您的 MongoDB Atlas 向量搜索之旅! 🚀💻
Reference:
Gradio: Build Machine Learning Web Apps — in Python
https://www.gradio.app/
https://github.com/gradio-app/gradio
https://www.mongodb.com/blog/post/retool-state-of-ai-report-mongodb-vector-search-most-loved-vector-database
Atlas Vector Search Once Again Voted Most Loved Vector Database
https://www.mongodb.com/products/platform/atlas-vector-search
Vector Search
https://www.mongodb.com/resources/basics/databases/document-databases
What is a Document Database?
https://www.mongodb.com/resources/solutions/use-cases/generative-ai-shaping-the-future-of-search
How Generative AI is Shaping The Future of Search
https://www.mongodb.com/products/tools/mongodb-query-api
Query API
Editor
Danny Chan, specialty of FSI and Serverless
Kenny Chan, specialty of FSI and Machine Learning
Top comments (0)