Relevance workbench
In this workbench, you can compare our Elastic Learned Sparse Encoder model (with or without RRF) and traditional textual search using BM25.
Start comparing different hybrid search techniques using TMDB's movies dataset as sample data. Or fork the code and ingest your own data to try it on your own!
Try these queries to get started:
- "The matrix"
- "Movies in Space"
- "Superhero animated movies"
Notice how some queries work great for both search techniques. For example, 'The Matrix' performs well with both models. However, for queries like "Superhero animated movies", the Elastic Learned Sparse Encoder model outperforms BM25. This can be attributed to the semantic search capabilities of the model.
Explore similar demos
Observability
Root cause analysis with AI
Observability 101: Lesson 4 of 4 — Explore this 15 minute lab and use Elastic Observability's machine learning and AI technologies to perform Root Cause Analysis (RCA) of a customer-reported issue. Combine clues from traces and logs at scale with Elastic's AI Assistant to come to a faster resolution.
Observability
OpenTelemetryによるログ、メトリクス、トレースの取り込み
オブザーバビリティ入門：レッスン2/4 — Elastic Distribution for OpenTelemetry (EDOT) を使用してログ、メトリクス、トレースをオンボーディングして、Elastic Observability を使い始めましょう。この15分のラボでは、OpenTelemetry (otel) コレクターを使用して、ログの構造と定義を指定します。
検索
RAGアプリ構築の実践チュートリアル
Search AI入門：レッスン 4/4 — この実践的なチュートリアルでは、Elasticの生成AI機能を使用して検索拡張生成（RAG）アプリケーションを作成します。Elasticを設定してRAGシステムを構築する方法を学び、最終的に完全に機能するRAGチャットボットアプリケーションを完成させます。