Vektorsuchfilterung: Relevanz beibehalten
Es reicht nicht aus, eine Vektorsuche durchzuführen, um die ähnlichsten Ergebnisse zu einer Suchanfrage zu finden. Um die Suchergebnisse einzugrenzen, ist häufig das Filtern erforderlich. Dieser Artikel erklärt, wie die Filterung bei der Vektorsuche in Elasticsearch und Apache Lucene funktioniert.
Zuordnung von Einbettungen zu Elasticsearch-Feldtypen: semantic_text, dense_vector, sparse_vector
Erörterung, wie und wann semantic_text, dense_vector oder sparse_vector verwendet werden und wie diese mit der Einbettungsgenerierung zusammenhängen.
Wie Sie Better Binary Quantization (BBQ) in Ihren Anwendungsfall implementieren können
Erfahren Sie, warum Sie Better Binary Quantization (BBQ) in Ihrem Anwendungsfall einsetzen sollten und wie Sie dabei vorgehen.
Elasticsearch BBQ vs. OpenSearch FAISS: Leistungsvergleich der Vektorsuche
Ein Leistungsvergleich zwischen Elasticsearch BBQ und OpenSearch FAISS.
Elasticsearch-Vektordatenbank für native Erdung in der Vertex AI-Plattform von Google Cloud
Erfahren Sie, wie Elasticsearch, die erste native Drittanbieter-Engine für Google Clouds Vertex AI, es Ihnen ermöglicht, individuelle GenAI-Erlebnisse zu erstellen, indem Sie Gemini-Modelle in Unternehmensdaten verankern.
Beschleunigung der Zusammenführung von HNSW-Diagrammen
Informieren Sie sich über unsere Arbeit zur Reduzierung des Aufwands beim Erstellen mehrerer HNSW-Diagramme, insbesondere zur Reduzierung der Kosten für das Zusammenführen von Diagrammen.
Skalierung von späten Interaktionsmodellen in Elasticsearch – Teil 2
Dieser Artikel behandelt Techniken, mit denen sich späte Interaktionsvektoren für groß angelegte Produktions-Workloads vorbereiten lassen, beispielsweise durch Reduzierung des Festplattenspeichers und Verbesserung der Recheneffizienz.
GPU-beschleunigte Vektorsuche in Elasticsearch mit NVIDIA: Kapitel 1
Die Zusammenarbeit basiert auf NVIDIA cuVS und soll Entwicklern GPU-Beschleunigung für die Vektorsuche in Elasticsearch bieten.
Eine kurze Einführung in die Vektorsuche
Dieser Artikel ist der erste einer dreiteiligen Reihe, die sich mit den Feinheiten der Vektorsuche, auch semantische Suche genannt, und ihrer Implementierung in Elasticsearch befasst.
Wie man den Elasticsearch Vector Store Connector für Microsoft Semantic Kernel zur Entwicklung von KI-Agenten verwendet
Microsoft Semantic Kernel ist ein leichtgewichtiges Open-Source-Entwicklungskit, mit dem Sie auf einfache Weise KI-Agenten erstellen und die neuesten KI-Modelle in Ihre C#-, Python- oder Java-Codebasis integrieren können. Mit der Veröffentlichung des Semantic Kernel Elasticsearch Vector Store Connectors können Entwickler, die Semantic Kernel zum Erstellen von KI-Agenten verwenden, Elasticsearch nun als skalierbaren Vektorspeicher der Enterprise-Klasse einbinden und gleichzeitig die Abstraktionen von Semantic Kernel weiterhin nutzen.
Wie man die Hybridsuche für einen E-Commerce-Produktkatalog nutzt
Erfahren Sie, wie Sie mit Hilfe von Hybrid-Suche einen E-Commerce-Produktkatalog erstellen können, indem Sie Facettierung, Werbeaktionen, Personalisierung und Verhaltensanalysen einsetzen.
Erstellen einer Such-App mit Blazor und Elasticsearch
Lernen Sie, wie Sie mit Blazor und Elasticsearch eine Suchanwendung erstellen und wie Sie den Elasticsearch .NET-Client für die hybride Suche verwenden.