logo

Incorpora búsqueda de AI en tus aplicaciones

Elasticsearch Relevance Engine™ (ESRE) se diseñó para impulsar las aplicaciones de búsqueda basadas en inteligencia artificial. Usa ESRE para aplicar la búsqueda semántica con relevancia superior lista para usar (sin adaptación para el dominio), integrarte en modelos de lenguaje grandes (LLM) externos, implementar la búsqueda híbrida y usar modelos de transformadores propios o de terceros.

Video thumbnail

Mira lo fácil que es comenzar a configurar Elasticsearch Relevance Engine.

Mira el video de inicio rápido

Compila aplicaciones avanzadas basadas en RAG usando ESRE.

Regístrate para la capacitación

Usa datos internos privados como contexto con las capacidades de los modelos de AI generativa para brindar respuestas actualizadas y confiables a las consultas de los usuarios.

Mira el video

AI para todos los desarrolladores

Eleva la búsqueda con AI

Brinda capacidades de relevancia de AI avanzadas a tu aplicación con ESRE, sin importar tu nivel de experiencia. ESRE tiene un conjunto de características que te ayudan a dar los primeros pasos o aumentar tu experiencia con la AI. Tienes la flexibilidad y el control para desplegar aplicaciones de búsqueda de machine learning y AI generativa como consideres adecuado.

  • ¿Eres nuevo en la búsqueda semántica?

    Proporcionar búsqueda semántica a tu aplicación no debería requerir un gran nivel de experiencia. Obtén la mejor búsqueda semántica en su clase lista para usar con el modelo de Elastic Learned Sparse Encoder. Con un despliegue simplificado, da los primeros pasos rápidamente y brinda búsqueda semántica, sin el trabajo pesado que implica el entrenamiento, y mantén un modelo de machine learning.

  • ¿Estás familiarizado con las incrustaciones y los vectores de búsqueda?

    Convierte datos no estructurados en incrustaciones de vectores, busca en ellos con eficiencia gracias a la búsqueda de vecino más cercano aproximado. Combina tus propios datos específicos del dominio en ventanas de contexto para mejorar la relevancia de las salidas similares a las de los humanos generadas por los LLM.

  • Incorpora tus propios modelos de transformadores

    Usa la biblioteca de Python Eland para incorporar tu propio modelo de machine learning entrenado o utiliza un modelo de terceros desde un repositorio público como HuggingFace. Escoge de una gran variedad de arquitecturas compatibles que se adaptan a tus necesidades.

Elasticsearch Relevance Engine

Elasticsearch: Fuente de búsqueda de vectores todo en uno

Genera incrustaciones. Almacena, busca y gestiona vectores. Obtén búsqueda semántica con el modelo de machine learning Learned Sparse Encoder propio de Elastic. Ingesta datos de todo tipo. Intégrate a modelos de lenguaje grandes que evolucionan rápidamente.

  • Clasificación híbrida de RRF

    La RRF (fusión de rango recíproco) es un método que permite combinar clasificaciones de documentos de diversos sistemas de recuperación. En breve, la RRF admitirá combinar resultados de modelos de vectores dispersos, como BM25 y el modelo de recuperación de Elastic, lo que proporcionará el mejor método de clasificación zero shot en su clase. La clasificación híbrida con RRF te permite ajustar los resultados de búsqueda de diversos recuperadores con menos esfuerzo.

  • Elastic Learned Sparse Encoder

    Nuestro nuevo modelo proporciona búsqueda semántica sumamente relevante lista para usar, sin adaptación para el dominio. Está disponible con solo un clic mientras configuras la aplicación de búsqueda. Elastic Learned Sparse Encoder expande las búsquedas con puntuaciones de relevancia y palabras clave relacionadas, por lo que pueden interpretarse con facilidad y están listas para usar de inmediato.

  • Generación aumentada de recuperación

    Brinda a los LLM información específica del negocio mediante tus datos privados (no solo los datos de entrenamiento públicos). Usa Elasticsearch para las ventanas de contexto de alta relevancia que aprovechan tus datos privados para mejorar la relevancia y la salida de los LLM. Accede a la AI generativa con API y plugins integrados en el LLM que prefieras.

  • Base de datos de vectores

    Obtén una experiencia de búsqueda de vectores completa a escala; no solo almacena y busca incrustaciones, ¡créalas! Capta el significado y contexto de tus datos no estructurados, incluidos el texto y las imágenes, con incrustaciones para la recuperación densa. Asegura las incrustaciones en el nivel del documento para asegurarte de que los datos estén en las manos adecuadas.

  • Incorpora tus propios modelos de transformadores

    Incorpora tu modelo de transformador propio en Elastic. O carga modelos previamente entrenados desde repositorios de terceros, como el centro de modelos HuggingFace, con soporte para una variedad de arquitecturas compatibles, como BERT, BART, ELECTRA y más.

  • Integraciones de datos y bibliotecas de ingesta

    Herramientas conocidas, como Elastic Agent o Logstash, para indexar tus datos. Una lista de integraciones en constante crecimiento (como Confluence, S3 o Google Drive). Conectores de bases de datos nativos (como MySQL, MongoDB). Un navegador web para fuentes en línea. Para los datos de apps personalizadas, API de Kibana o conector tipo "crea el tuyo propio" con marcos de trabajo conocidos.

Chris Brown, Chief Product Officer, Relativity

"Estoy encantado con los beneficios que podemos brindar a los clientes a través de nuestras inversiones para aprovechar Elasticsearch en RelativityOne. Ahora estamos experimentando con ESRE y nos entusiasma su potencial para brindar resultados de búsqueda poderosos y aumentados por AI a nuestros clientes".

Chris BrownDirector general de productos, Relativity

Preguntas frecuentes

¿Qué es Elasticsearch Relevance Engine?

Elasticsearch Relevance Engine es un conjunto de características que ayuda a los desarrolladores a compilar aplicaciones de búsqueda de AI e incluye:

  • Características de clasificación de relevancia avanzadas líderes en la industria, entre las que se encuentran la búsqueda de palabras clave con BM25, una base de búsqueda híbrida y relevante para todos los dominios.
  • Capacidades de base de datos de vectores completas, lo cual incluye la capacidad de crear incrustaciones, además del almacenamiento y la recuperación de vectores.
  • Elastic Learned Sparse Encoder, nuestro nuevo modelo de machine learning para búsqueda semántica en una variedad de dominios. Clasificación híbrida (RRF) para emparejar capacidades de búsqueda textual y de vectores con el objetivo de alcanzar una relevancia de búsqueda óptima en una variedad de dominios.
  • Soporte para la integración de modelos de transformadores de terceros, como OpenAI GPT-3 y 4 a través de API.
  • Un conjunto completo de herramientas de ingesta de datos, como conectores de bases de datos, integraciones de datos de terceros, rastreador web y API para crear conectores personalizados.
  • Herramientas para desarrolladores que permiten compilar aplicaciones de búsqueda en todo tipo de datos: texto, imágenes, series temporales, geográficos, multimedia y más.