将 AI 搜索体验构建到您的应用程序中
Elasticsearch Relevance Engine™ (ESRE) 旨在为基于人工智能的搜索应用程序提供强大支持。使用 ESRE,您可以应用具有卓越相关性的开箱即用型语义搜索(无需域适应),与外部大型语言模型 (LLM) 集成,实现混合搜索,并使用第三方或您自己的转换器模型。
“我很高兴可以让客户享受我们在 RelativityOne 中投资利用 Elasticsearch 所带来的多种益处。我们目前正在试验 ESRE,并致力于为客户提供强大的、AI 增强的搜索结果;我们对 ESRE 在这方面的潜力感到兴奋不已。”
Chris Brown, Relativity 首席产品官
代码样例
开始构建向量搜索
使用单个 API 就可导入嵌入模型,生成嵌入,并使用近似最近邻搜索大规模编写搜索查询。
常见问题
什么是 Elasticsearch Relevance Engine?
Elasticsearch Relevance Engine 是一组可帮助开发人员构建 AI 搜索应用程序的功能,包括:
- 行业领先的高级相关性排名功能,包括使用 BM25 算法(这是针对所有域进行相关度打分和实现混合搜索的基础)的传统关键字搜索。
- 完整的向量数据库功能 — 除了存储和检索向量外,还能够创建嵌入。
- Elastic Learned Sparse Encoder — 我们用于跨一系列域进行语义搜索的全新 Machine Learning 模型 混合排名 (RRF),用于将向量与文本型搜索功能相结合,以跨各种域实现最佳的搜索相关性。
- 支持通过 API 集成第三方转换器模型(如 OpenAI 的 GPT-3 和 GPT-4)
- 全套的数据采集工具,如数据库连接器、第三方数据集成、网络爬虫,以及用于创建定制连接器的 API
- 开发人员工具,可跨所有类型的数据(文本、图像、时序、地理位置、多媒体等)构建搜索应用程序。
我可以使用 Elasticsearch Relevance Engine 构建什么?
Elasticsearch 是一种领先的搜索技术,可用于网站(如电子商务产品和发现)和内部信息(如客户成功知识库和企业搜索)等各种用例的搜索引擎。通过 ESRE,我们提供了一个工具包,用于构建 AI 驱动的搜索体验。让用户能够以自然语言、以提问的形式或描述他们所寻求信息的种类来表达他们的查询。将这种自然语言能力与生成式 AI 相结合,以通过您自己的私有数据或专有数据的上下文,进一步增强这些模型的能力。
Elasticsearch 和 Elasticsearch Relevance Engine 是否一样?
是的,Elasticsearch Relevance Engine 中包含的功能是在 Elasticsearch 的 _search API 中设计和集成的。开发人员可以使用 Elastic API 或熟悉的工具(如 Kibana),与组成 Elasticsearch Relevance Engine 以及 Elasticsearch 的功能进行交互,以获得无缝体验。
什么是 Elastic Learned Sparse Encoder?
Elastic Learned Sparse Encoder 是 Elastic 为跨各种域提供高相关性语义搜索而构建的模型。目前,作为一个仅支持英语的 Machine Learning 模型,它可捕捉含义和单词之间的关系,用于信息检索。对利用我们新检索模型进行的基准测试感兴趣?请阅读这篇博文,以了解更多信息。
什么是转换器?Elastic Learned Sparse Encoder 是转换器模型吗?
转换器是一种深度神经网络架构,可用作大型语言模型 (LLM) 的基础。转换器包含各种组件,可以由编码器、解码器和许多具有数百万(甚至数十亿)个参数的“深度”神经网络层组成。它们通常是基于非常大的文本语料库(如互联网上的数据)训练而成,并且可以进行微调以执行各种自然语言处理 (NLP) 任务。我们的新检索模型使用了一个转换器架构,但只包含一个专门为跨各种域进行语义搜索而设计的编码器。
如何开始使用 Elasticsearch Relevance Engine?我需要单独购买 Elasticsearch Relevance Engine 吗?
作为 8.8 版本的一部分,Elasticsearch Relevance Engine 的所有功能会随 Elastic 企业搜索白金级套餐和企业级套餐一起提供。您可以轻松地开始使用嵌入和向量搜索,并尝试检索模型。请查看 Elastic Learned Sparse Encoder 功能的演示。如果您拥有 Elasticsearch 许可证,Elasticsearch Relevance Engine 就会包含在您购买的产品中。