La base de datos vectorial open source más ampliamente desplegada

Descubre por qué Elasticsearch es el estándar.

Inicia la prueba gratis

Novedades: BBQ

¿Qué debería hacer tu base de datos vectorial por ti?

Descubre qué es una base de datos vectorial

Búsqueda vectorial: contexto, intención, relaciones
La búsqueda de similitud semántica puede devolver los resultados correctos, incluso cuando las palabras no coinciden del todo.
Tutorial práctico
Búsqueda híbrida: precisión + flexibilidad
La búsqueda por palabras clave es precisa. La búsqueda vectorial tiene matices. La búsqueda híbrida combina ambas.
Ejemplos de búsqueda híbrida
Vectores dispersos frente a densos: rápidos y eficientes
La expansión de texto disperso y las coincidencias de significado denso son perfectas para búsquedas abiertas y del mundo real.
Tipos de clasificación de documentos
Filtros, clasificación, reclasificación: relevancia con contexto
Los filtros reducen el alcance, la clasificación encuentra la señal; ambos son problemas difíciles, pero una pura delicia cuando se hacen bien.
Búsqueda de kNN filtrada

Elasticsearch: más que solo vectores, el favorito de los desarrolladores

No hay brechas ni vulnerabilidades: todo funciona en conjunto, porque se desarrolló así.

Búsqueda híbrida que entiende todo
La búsqueda híbrida de Elasticsearch combina la búsqueda léxica, modelos de AI de terceros o nativos de Jina AI para la búsqueda semántica, datos geográficos, metadato y mucho más en una sola llamada a la API. Clasifica los resultados por significado, precisión y contexto.
Facetas y filtros, sin retrasos
Filtros y facetas que se ejecutan rápidamente, incluso a escala: sin ralentizaciones ni exploraciones de índice completas. Elastic combina la recuperación de aNN con filtros para crear el alcance adecuado, sin importar la escala.
Inferencia nativa de GPU con modelos de Jina AI
Elastic Inference Service (EIS) ofrece inferencia por GPU directamente en Elasticsearch para impulsar flujos de trabajo de IA rápidos y escalables mediante el uso de modelos de Jina AI integrados, con la flexibilidad de conectarse a los modelos que ya usas a través de la API de inferencia.
Más vectores, menos memoria, sin concesiones
Better Binary Quantization (BBQ) reduce el uso de memoria hasta en un 95 % a la vez que ofrece gran precisión. Los cálculos de distancia optimizados y la recuperación de aNN aceleran la búsqueda de vectores a escala.
Búsqueda semántica, menos pasos
El campo semantic_text maneja los mappings, las incrustaciones y la fragmentación de forma automática, al ofrecer una recuperación densa verdaderamente fluida en una sola búsqueda.
Prueba RAG rápidamente, sin necesidad de configuración
Deja de adivinar. AI Playground te permite probar estrategias híbridas de recuperación, clasificación de relevancia y fragmentación en tiempo real, para que puedas ajustar y enviar búsquedas probadas con confianza.

Despliega donde sea y como sea: en la nube soberana, hospedada o sin servidor en AWS, Azure o Google Cloud; de forma local; o en entornos completamente aislados.

Prueba ahora Consulta los precios ECE

Una llamada, eso es todo

Indexa, busca, filtra y aplica RBAC en texto, incrustaciones, ubicación geográfica, series temporales o metadatos.

Generar incrustaciones
Captura el significado, el contexto y las asociaciones transformando datos en vectores densos. Crea tu blog de incrustaciones.
POST _inference/my-e5-endpoint { "input": "How many adult mallard ducks fit in an american football field?" }

Incrustaciones de índices

El almacenamiento de vectores de Elasticsearch se basa en el algoritmo HNSW de Lucene que supera los puntos de referencia comparativos (ver "luceneknn").

Nuestro enfoque de búsqueda vectorial

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"
}

Buscar incrustaciones

Ejecuta la búsqueda de kNN para que se ajuste a tu caso de uso: aplica el algoritmo de ANN para la velocidad y la escala usando el índice HNSW de Lucene o la coincidencia exacta.

Explora ANN y 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 
    }
  }
}

Usa filtros y facetting para refinar la búsqueda

Confía en el rico marco de trabajo de capacidades de filtrado y facetting de Elasticsearch que están disponibles para la búsqueda vectorial para crear aplicaciones intuitivas para el usuario final.

Lee sobre el filtrado de kNN

Obtén más información sobre el facetting

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"
          }
        }
      ]
    }
  }
}

Combina los métodos de recuperación con la búsqueda híbrida

Con la recuperación híbrida, elige entre los métodos de recuperación que brinden los mejores resultados para tu caso de uso: BM25, el modelo de codificador disperso capacitado de Elastic (ELSER) o vectores densos.

Mira el video sobre la búsqueda híbrida

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
    }
  }
}

Aplica la autorización de seguridad y cumplimiento a nivel de documentos

Asigna controles de acceso granulares basados en roles con seguridad a nivel de documentos y campos, con cobertura en marcos de trabajo de cumplimiento ampliamente adoptados.

Configurar la autorización

Configurar el cumplimiento

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?"
}

¿El mejor de su clase? Integrado directamente

Empieza con los modelos de Jina AI, integrados en Elasticsearch. O conéctate a los modelos que ya usas a través de integraciones nativas en todo el ecosistema de AI.

Un vecindario de alta calidad

Desde el prompt hasta el producto: estas organizaciones confían en Elastic para crear búsquedas de próxima generación

Cliente destacado
Reed, el mayor reclutador del Reino Unido, pone en contacto a buscadores de empleo y empleadores mediante incrustaciones de vectores en Elasticsearch.
Más información
Cliente destacado
Stack Overflow combina el poder de los expertos humanos con la AI generativa para acelerar la recuperación de información confiable de las bases de conocimiento de los desarrolladores.
Más información
Cliente destacado
Adobe escala, gestiona múltiples casos de uso y pone a trabajar las características del machine learning con Elastic.
Más información

Superconjunto de base de datos vectorial

Elige una base de datos vectorial en función de la experiencia de búsqueda vectorial que quieras crear.

Otras bases de datos vectoriales

Elasticsearch

Ingesta, parseo e indexación

Modelo de documento flexible

un poco de soporte

soporte completo (gratis)

Almacenamiento seguro (seguridad a nivel de documento y de campo)

un poco de soporte

soporte completo (pago)

Procesa datos estructurados y no estructurados

un poco de soporte

soporte completo (gratis)

Herramientas de ingesta (clientes, rastreador web,* conectores,* pipelines de inferencia*)

un poco de soporte

soporte total (*pago)

Actualizaciones de documentos y metadatos en tiempo real

un poco de soporte

soporte completo (gratis)

Texto semántico para almacenamiento vectorial optimizado

un poco de soporte

soporte completo (gratis)

Incrustaciones

Recuperación

Despliegue

Machine learning

Herramientas de Elastic

Preguntas frecuentes

¿Qué es una base de datos vectorial y cómo funciona?

Una base de datos vectorial almacena información como vectores, que son representaciones numéricas de objetos de datos, también conocidos como incrustaciones de vectores. Usa incrustaciones de vectores para la búsqueda multimodal en un set masivo de datos estructurados, no estructurados y semiestructurados, como imágenes, texto, videos y audio. Las bases de datos vectoriales están diseñadas para gestionar incrustaciones de vectores y, por lo tanto, ofrecen una solución completa para la gestión de datos.

¿Qué son las incrustaciones de vectores?

Las incrustaciones de vectores usan un modelo de machine learning para traducir texto en números, lo que te permite realizar búsquedas de vectores. Al convertir los datos en vectores, las incrustaciones facilitan la comparación, la búsqueda y el análisis de similitudes entre elementos de este espacio.

¿Cuáles son los beneficios de una base de datos vectorial?

Una base de datos vectorial ofrece eficiencia a gran escala al permitir una migración de datos fluida entre entornos locales, aislados y en la cloud, además de proporcionar almacenamiento para incrustaciones vectoriales. Las bases de datos vectoriales destacan en la búsqueda de similitud, lo que permite encontrar fácilmente elementos relacionados, algo esencial para sistemas de recomendación, búsqueda de imágenes y descubrimiento de contenido. Con capacidades de búsqueda semántica, van más allá de la simple coincidencia de palabras clave para ofrecer resultados basados en el significado y el contexto. Al almacenar incrustaciones vectoriales, admiten aplicaciones de IA y Machine Learning, lo que facilita el despliegue de modelos de PNL y recomendación. Para organizaciones en entornos regulados o clasificados (gobierno, defensa y servicios financieros) Elasticsearch admite despliegues totalmente locales y aislados sin necesidad de una conectividad externa.

¿Elasticsearch es una base de datos vectorial?

Sí, Elasticsearch es la base de datos vectorial open source más desplegada del mundo, que te ofrece una manera eficiente de crear, almacenar y buscar incrustaciones de vectores a escala. Con la base de datos vectorial lista para empresas de Elastic, logras tiempos de búsqueda rápidos y un rendimiento óptimo, incluso con datos que cambian rápidamente. Diseñada para escalarse, ofrece resultados de búsqueda relevantes y personalizados, a la vez que simplifica tus procesos de desarrollo.

¿Por qué elegir Elastic como tu base de datos vectorial?

Elastic ofrece todos los beneficios de una poderosa base de datos vectorial, junto con seguridad integrada, cumplimiento normativo y alta disponibilidad. Con más de una década de experiencia en búsqueda, Elastic garantiza una relevancia de búsqueda de primer nivel y opciones de despliegue flexibles, como cloud público, cloud soberana, centros de datos locales y redes totalmente aisladas. Como plataforma unificada, Elastic minimiza la proliferación de herramientas y la deuda técnica, a la vez que proporciona respuestas precisas con citas de fuentes claras.

¿Puedo ejecutar Elasticsearch como una base de datos vectorial local o aislada?

Sí. Elasticsearch se puede desplegar totalmente de forma local: en hardware, en un cloud privado o en redes completamente desconectadas sin conectividad externa. Las agencias gubernamentales, los contratistas de defensa y las empresas reguladas utilizan Elastic Cloud Enterprise (ECE) para orquestar clústeres locales de Elasticsearch para escalar, incluso en entornos clasificados y desconectados. Todas las capacidades de búsqueda vectorial, búsqueda híbrida y RAG disponibles en Elastic Cloud están igualmente disponibles en despliegues locales

Ingeniería de contexto

Base de datos vectorial

Aplicaciones basadas en búsqueda

Logs

Protección contra amenazas

Flujos de trabajo

Elasticsearch

Kibana (Discover, dashboards)

Elastic Agent Builder

AutoOps

Lenguaje de búsqueda con barras verticales

Modelos de búsqueda de Jina AI

Elastic Cloud Serverless

Elastic Cloud Hosted

Elasticsearch autogestionado

Búsqueda para comercio electrónico

Búsqueda para atención al cliente

Apps basadas en búsqueda

Analíticas de logs

Monitoreo de infraestructura

Monitoreo de la experiencia digital

Monitoreo del rendimiento de las apps

AIOps

Observabilidad de LLM

SIEM de próxima generación

Flujos de trabajo para seguridad

XDR y seguridad de endpoint

AI aplicada a la seguridad

10 veces el valor de tus datos

Proveedores Cloud

Ecosistema de AI de Elastic

Search AI Partner Program

AV-Comparatives

Líder en Forrester Wave™

Líder en el Magic Quadrant de Gartner

Líder en IDC MarketScape

Search

Seguridad

Observabilidad

Comienza

Galería de demostraciones

Descargas

Integraciones

Documentos

Elasticsearch Labs

Elastic Security Labs

Elastic Observability Labs

Blog

Comunidad

Eventos

Webinars

Analiza

Capacitación

Soporte

Consultoría

La base de datos vectorial open source más ampliamente desplegada

¿Qué debería hacer tu base de datos vectorial por ti?

Búsqueda vectorial: contexto, intención, relaciones

Búsqueda híbrida: precisión + flexibilidad

Vectores dispersos frente a densos: rápidos y eficientes

Filtros, clasificación, reclasificación: relevancia con contexto

Elasticsearch: más que solo vectores, el favorito de los desarrolladores

Búsqueda híbrida que entiende todo

Facetas y filtros, sin retrasos

Inferencia nativa de GPU con modelos de Jina AI

Más vectores, menos memoria, sin concesiones

Búsqueda semántica, menos pasos

Prueba RAG rápidamente, sin necesidad de configuración

Despliega donde sea y como sea: en la nube soberana, hospedada o sin servidor en AWS, Azure o Google Cloud; de forma local; o en entornos completamente aislados.

Una llamada, eso es todo

Generar incrustaciones

Incrustaciones de índices

Buscar incrustaciones

Usa filtros y facetting para refinar la búsqueda

Combina los métodos de recuperación con la búsqueda híbrida

Aplica la autorización de seguridad y cumplimiento a nivel de documentos

¿El mejor de su clase? Integrado directamente

Un vecindario de alta calidad

Cliente destacado

Cliente destacado