La base vectorielle open source la plus largement déployée

Découvrez pourquoi Elasticsearch est la norme.

Démarrez un essai gratuit

Nouveautés : BBQ

Que doit faire votre base de données vectorielle pour vous ?

Découvrez ce qu’est une base de données vectorielle

Recherche vectorielle : contexte, intention, relations
La recherche par similarité peut renvoyer les bons résultats, même lorsque les mots ne correspondent pas exactement.
Tutoriel pratique
Recherche hybride : précision + flexibilité
La recherche par mots-clés est précise. La recherche vectorielle est nuancée. La recherche hybride combine les deux approches.
Exemples de recherche hybride
Vecteurs clairsemés vs. denses : rapide et efficace
L’expansion de texte clairsemé et les correspondances sémantiques denses sont idéales pour des recherches ouvertes dans des cas concrets.
Types de classement des documents
Filtres, classement, reclassement : pertinence contextuelle
Les filtres réduisent le champ, le classement identifie le signal — deux tâches complexes, mais une vraie satisfaction lorsqu’elles sont bien exécutées.
Recherche kNN filtrée

Elasticsearch : plus que de simples vecteurs, apprécié des développeurs

Aucun oubli, aucun compromis — tout fonctionne ensemble, car cela a été conçu ainsi

Recherche hybride qui comprend tout
La recherche hybride d’Elasticsearch associe mots-clés, vecteurs, données géographiques, métadonnées et plus encore, dans un seul appel d’API. Classer les résultats par sens, précision et contexte.
Facettes et filtres, sans latence
Filtres et facettes rapides, même à grande échelle — sans ralentissements ni balayage complet des index. Elastic combine la récupération aNN avec des filtres pour définir le bon périmètre, quelle que soit l’échelle.
OpenAI, Anthropic, Hugging Face... tout est natif
Les API d’inférence exécutent des inférences natives avec des LLM populaires ou des modèles intégrés pour les représentations vectorielles, la classification, les questions-réponses, et bien plus encore — aucune infrastructure ML externe requise.
Plus de vecteurs. Moins de mémoire. Aucun compromis.
La quantification binaire optimisée (BBQ) réduit l’empreinte mémoire jusqu’à 95 % tout en offrant une grande précision. Des calculs de distance optimisés et une récupération aNN accélèrent la recherche vectorielle à grande échelle.
Recherche sémantique, en quelques étapes
Le champ de semantic_text gère automatiquement les correspondances, les représentations vectorielles et la segmentation — assurant une récupération dense fluide en une seule requête.
Tester RAG rapidement — aucune configuration requise
Ne devinez plus. L’AI Playground vous permet de tester des stratégies de récupération hybride, de classement par pertinence et de segmentation en temps réel, pour affiner et déployer en toute confiance des requêtes testées.

Optez pour un hébergement sur AWS, Azure ou Google Cloud — ou essayez le mode serverless et laissez Elastic s’occuper du reste.

Essayer dès maintenant Voir les tarifs

Un appel, c'est tout

Indexez, search, filtrez, appliquez RBAC — sur du texte, des intégrations, des données géographiques, des séries chronologiques ou des métadonnées.

Génération de plongements
Capturez le sens, le contexte et les associations en transformant les données en vecteurs denses. Créer un article sur les plongements
POST _inference/my-e5-endpoint { "input": "How many adult mallard ducks fit in an american football field?" }

Indexation de plongements

Le stockage vectoriel d'Elasticsearch est basé sur l'algorithme HNSW de Lucene, qui dépasse les benchmarks comparatifs (voir « luceneknn »).

Notre approche de la recherche vectorielle

PUT my-index
{
  "mappings": {
    "properties": {
      "my_vector": {
        "type": "dense_vector"
      },
      "my_text" : {
        "type" : "text"
      },
      "category": {
        "type": "text"
      }
    }
  }
}



# Index a document
PUT my-index/_doc/2
{
  "my_vector" : [
        0.018743202,
        -0.011059246,
   …
        0.05155631,
        0.04044561
      ],
  "my_text" :"57,000 average sized mallard ducks fit on an American football field",
"category" : "weird_stats"
}

Recherche des plongements

Exécutez la recherche kNN en fonction de votre cas d'utilisation - appliquez l'algorithme ANN pour la vitesse et l'échelle en utilisant l'index HNSW de Lucene ou la correspondance exacte.

Explorez ANN et KNN.

GET /my-index/_search
{
  "retriever": {
    "knn": { 
      "field": "my_vector", 
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10, 
      "num_candidates": 10 
    }
  }
}

Utilisation de filtres et de la recherche à facettes pour affiner la recherche

Appuyez-vous sur le riche framework de fonctionnalités de filtrage et de recherche à facettes d'Elasticsearch disponibles pour la recherche vectorielle afin de créer des applications intuitives pour les utilisateurs finaux.

En savoir plus sur le filtrage kNN

En savoir plus sur la recherche à facettes

GET /my-index/_search
{
  "retriever": {
    "knn": {
      "field": "my_vector",
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10,
      "num_candidates": 10,
      "filter": [
        {
          "term": {
            "category": "weird_stats"
          }
        }
      ]
    }
  }
}

Association de méthodes de récupération à la recherche hybride

Avec la récupération hybride, choisissez l'une des méthodes de récupération qui donnent les meilleurs résultats pour votre cas d'utilisation : BM25, le modèle d'encodeur clairsemé entraîné d'Elastic (ELSER), ou des vecteurs denses.

Regarder la vidéo sur la recherche hybride

GET /my-index/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        {
          "standard": {
            "query": {
              "bool": {
                "filter": [
                  {
                    "term": {
                      "category": "weird_stats"
                    }
                  }
                ]
              }
            }
          }
        },
        {
          "knn": {
            "field": "vector",
            "query_vector_builder": {
              "text_embedding": {
                "model_id": "my-e5-endpoint",
                "model_text": "How many adult mallard ducks fit in an american football field??"
              }
            },
            "k": 10,
            "num_candidates": 10
          }
        }
      ],
      "rank_constant": 1,
      "rank_window_size": 50
    }
  }
}

Application de la sécurité au niveau du document et de l'autorisation de conformité
Attribuez des contrôles d'accès basés sur les rôles à l'aide de la sécurité au niveau du champ et du document. Bénéficiez de la prise en charge des frameworks de conformité les plus populaires.

Configurer les autorisations

Configurer la conformité
POST /_security/role/employee_role { "indices": [ { "names": [ "example-index" ], "privileges": [ "read" ], "field_security" : { "grant" : [ "state", "name.first", "name.last" ] } } ] } GET example-index/_search { "query": {...}, "knn" = {...}, "aggs": {...} }

POST _inference/my-e5-endpoint
{
  "input": "How many adult mallard ducks fit in an american football field?"
}

Le meilleur de sa catégorie ? Intégré

Intégrations natives à tous les principaux produits d'IA : pour que vos applications aillent plus loin, plus vite

Un voisinage de haute qualité

De l’idée au produit, ces organisations font confiance à Elastic pour concevoir la recherche de nouvelle génération

Témoignage client
Reed, le plus grand recruteur du Royaume-Uni, réunit les chercheurs d'emploi et les employeurs à l'aide d'intégrations vectorielles dans Elasticsearch.
En savoir plus
Témoignage client
Stack Overflow associe la puissance des experts humains à l'IA générative pour accélérer la recherche d'informations fiables dans les bases de connaissances des développeurs.
En savoir plus
Témoignage client
Adobe scale, gère plusieurs cas d'utilisation et met les fonctionnalités de Machine Learning au service d'Elastic.
En savoir plus

Base de données vectorielle d'un rang supérieur

Choisissez une base de données vectorielle en fonction de l'expérience de recherche vectorielle que vous souhaitez développer.

Autres bases vectorielles

Elasticsearch

Ingestion, analyser et indexer

Modèle de document flexible

Prise en charge partielle

prise en charge complète (gratuite)

Stockage sécurisé (sécurité au niveau des documents et des champs)

Prise en charge partielle

Prise en charge complète (payante)

Traitement des données structurées et non structurées

Prise en charge partielle

prise en charge complète (gratuite)

Outils d’ingestion (clients, robot d’indexation,* connecteurs, pipelines d’inférence*)

Prise en charge partielle

prise en charge complète (*payante)

Mises à jour en temps réel des documents et des métadonnées

Prise en charge partielle

prise en charge complète (gratuite)

Texte sémantique pour un stockage vectoriel optimisé

Prise en charge partielle

prise en charge complète (gratuite)

Plongements

Récupération

Machine Learning

Outils Elastic

Questions fréquentes

Qu’est-ce qu’une base vectorielle et comment fonctionne-t-elle ?

Une base vectorielle stocke les informations sous forme de vecteurs, qui sont des représentations numériques d'objets de données, également appelées plongements vectoriels. Elle utilise des plongements vectoriels pour la recherche multimodale dans un ensemble massif de données structurées, non structurées et semi-structurées, telles que des images, du texte, des vidéos et des fichiers audio. Les bases vectorielles sont conçues pour gérer les plongements vectoriels, et ainsi offrir une solution complète pour la gestion des données.

Que sont les plongements vectoriels ?

Les plongements vectoriels utilisent un modèle de Machine Learning pour traduire le texte en chiffres, ce qui vous permet d'effectuer des recherches vectorielles. En convertissant les données en vecteurs, les plongements facilitent la comparaison, la recherche et l'analyse des similitudes entre les éléments de cet espace.

Quels sont les avantages d’une base vectorielle ?

Une base vectorielle offre une efficacité à grande échelle en permettant une migration transparente des données dans les environnements sur site et cloud et en fournissant un stockage pour les plongements vectoriels. Les bases vectorielles excellent dans la recherche de similarités, vous permettant de trouver facilement des éléments apparentés, ce qui est essentiel pour les systèmes de recommandation, la recherche d'images et la découverte de contenu. Grâce à leurs capacités de recherche sémantique, elles vont au-delà de la simple correspondance de mots clés pour fournir des résultats basés sur le sens et le contexte. En stockant les intégrations vectorielles, elles prennent en charge les applications d'IA et de Machine Learning, facilitant ainsi le déploiement de modèles de NLP et de recommandation.

Elasticsearch est une base vectorielle ?

Oui, Elasticsearch est la base de données vectorielle open source la plus largement déployée au monde, vous offrant un moyen efficace de créer, de stocker et de rechercher des plongements vectoriels à grande échelle. Avec la base de données vectorielle d'Elastic, prête pour l'entreprise, vous obtenez des temps de requête rapides et des performances optimales, même avec des données qui changent rapidement. Conçu pour scaler, elle fournit des résultats de recherche pertinents et personnalisés tout en simplifiant les processus de développement.

Pourquoi choisir Elastic comme base vectorielle ?

Elastic offre tous les avantages d'une puissante base de données vectorielle, ainsi qu'une sécurité intégrée, une conformité réglementaire et une haute disponibilité. Avec plus de dix ans d'expertise dans le domaine de la recherche, Elastic garantit une pertinence de recherche de premier ordre et des options de déploiement flexibles. En tant que plateforme unifiée, Elastic minimise la prolifération des outils et la dette technique tout en fournissant des réponses précises avec des citations de sources claires.

La base vectorielle open source la plus largement déployée

Que doit faire votre base de données vectorielle pour vous ?

Recherche vectorielle : contexte, intention, relations

Recherche hybride : précision + flexibilité

Vecteurs clairsemés vs. denses : rapide et efficace

Filtres, classement, reclassement : pertinence contextuelle

Elasticsearch : plus que de simples vecteurs, apprécié des développeurs

Recherche hybride qui comprend tout

Facettes et filtres, sans latence

OpenAI, Anthropic, Hugging Face... tout est natif

Plus de vecteurs. Moins de mémoire. Aucun compromis.

Recherche sémantique, en quelques étapes

Tester RAG rapidement — aucune configuration requise

Optez pour un hébergement sur AWS, Azure ou Google Cloud — ou essayez le mode serverless et laissez Elastic s’occuper du reste.

Un appel, c'est tout

Génération de plongements

Indexation de plongements

Recherche des plongements

Utilisation de filtres et de la recherche à facettes pour affiner la recherche

Association de méthodes de récupération à la recherche hybride

Application de la sécurité au niveau du document et de l'autorisation de conformité

Le meilleur de sa catégorie ? Intégré

Un voisinage de haute qualité

Témoignage client

Témoignage client

Témoignage client

Base de données vectorielle d'un rang supérieur

Autres bases vectorielles

Elasticsearch

Ingestion, analyser et indexer

Plongements

Récupération

Machine Learning

Outils Elastic

Questions fréquentes

Qu’est-ce qu’une base vectorielle et comment fonctionne-t-elle ?

Que sont les plongements vectoriels ?

Quels sont les avantages d’une base vectorielle ?

Elasticsearch est une base vectorielle ?

Pourquoi choisir Elastic comme base vectorielle ?