Déploiement d'un modèle d'intégration multilingue dans Elasticsearch
Apprenez à déployer un modèle d'intégration multilingue e5 pour la recherche vectorielle et l'extraction multilingue dans Elasticsearch.
Filtrage de la recherche vectorielle : Garder la pertinence
Il ne suffit pas d'effectuer une recherche vectorielle pour trouver les résultats les plus similaires à une requête. Le filtrage est souvent nécessaire pour réduire les résultats de la recherche. Cet article explique comment fonctionne le filtrage pour la recherche vectorielle dans Elasticsearch et Apache Lucene.
Mapping embeddings to Elasticsearch field types : semantic_text, dense_vector, sparse_vector
Discuter comment et quand utiliser semantic_text, dense_vector, ou sparse_vector, et comment ils sont liés à la génération d'embedding.
Comment mettre en œuvre une meilleure quantification binaire (BBQ) dans votre cas d'utilisation ?
Expliquez pourquoi vous devriez mettre en œuvre une meilleure quantification binaire (BBQ) dans votre cas d'utilisation et comment le faire.
Elasticsearch BBQ vs. OpenSearch FAISS : Comparaison des performances de la recherche vectorielle
Comparaison des performances entre Elasticsearch BBQ et OpenSearch FAISS.
Base de données vectorielles Elasticsearch pour un ancrage natif dans la plate-forme Vertex AI de Google Cloud
Découvrez comment Elasticsearch, le premier moteur d'ancrage natif tiers pour Vertex AI de Google Cloud, vous permet de créer des expériences GenAI personnalisées en ancrant les modèles Gemini dans les données de l'entreprise.
Accélérer la fusion des graphiques de HNSW
Explorez le travail que nous avons effectué pour réduire la charge de travail liée à la construction de plusieurs graphes HNSW, en particulier en réduisant le coût de la fusion des graphes.
Scaling des modèles d'interaction tardive dans Elasticsearch - 2e partie
Cet article explore des techniques pour préparer les vecteurs d'interaction tardive aux charges de travail de production à grande échelle, notamment la réduction de l’espace disque et l’amélioration de l’efficacité des calculs.
Exploration de la recherche vectorielle accélérée par le GPU dans Elasticsearch avec NVIDIA : Chapitre I
Basée sur NVIDIA cuVS, cette collaboration vise à fournir aux développeurs une accélération GPU pour la recherche vectorielle dans Elasticsearch.
Une introduction rapide à la recherche vectorielle
Cet article est le premier d'une série de trois qui se pencheront sur les subtilités de la recherche vectorielle, également connue sous le nom de recherche sémantique, et sur la manière dont elle est mise en œuvre dans Elasticsearch.
Comment utiliser le connecteur Elasticsearch Vector Store pour Microsoft Semantic Kernel pour le développement d'agents d'intelligence artificielle ?
Microsoft Semantic Kernel est un kit de développement léger et open-source qui vous permet de créer facilement des agents d'intelligence artificielle et d'intégrer les derniers modèles d'intelligence artificielle dans votre base de code C#, Python ou Java. Avec la sortie du connecteur Semantic Kernel Elasticsearch Vector Store, les développeurs qui utilisent Semantic Kernel pour créer des agents d'intelligence artificielle peuvent désormais utiliser Elasticsearch comme un magasin vectoriel d'entreprise évolutif tout en continuant à utiliser les abstractions de Semantic Kernel.
Comment utiliser la recherche hybride pour un catalogue de produits de commerce électronique ?
Apprenez à utiliser la recherche hybride pour créer un catalogue de produits de commerce électronique, en utilisant les facettes, les promotions, la personnalisation et l'analyse comportementale.