Search

아니요. Elastic의 BM25 텍스트 검색 알고리즘, 확장 가능한 벡터 데이터베이스, 시맨틱 검색, 상호 순위 결합(RRF) 하이브리드 점수 모두 Elastic Search와 함께 사용할 수 있습니다. Elastic에는 기본적으로 사용할 수 있는 자체 시멘틱 검색 모델인 Elastic Learned Sparse Encoder도 있습니다.

예. Elastic은 개발자가 벡터 임베딩을 생성, 저장 및 검색할 수 있게 해주는 세계에서 가장 많이 다운로드되고 확장 가능한 벡터 데이터베이스입니다. 하지만 그게 전부는 아닙니다. Elastic의 검색 플랫폼에는 집계, 필터링 및 패싯 검색, 자동 완성, 다양한 검색 방법, 자체 또는 서드파티 트랜스포머 모델과 통합할 수 있는 유연성 등 뛰어난 검색 경험을 구축하는 데 필요한 모든 것이 포함되어 있습니다.

생성형 AI 경험에서 보다 정확한 결과를 얻기 위한 비용 및 시간 효율적인 접근 방식이므로 대규모 언어 모델을 사용하는 경우 검색 제품이 필요합니다. 도메인별 데이터를 검색하면 정확도가 높은 검색 결과를 추가 컨텍스트로 제공하여 대규모 언어 모델에서 발생하는 환각을 최소화하고 모델을 미세 조정하는 데 걸리는 시간을 제한할 수 있습니다. 검색 증강 생성(RAG)을 사용하면, Elastic은 독점 데이터를 쿼리하여 보다 정확한 실시간 결과를 얻을 수 있도록 하며, 필요한 컴퓨팅 및 스토리지 저장 공간이 줄어듭니다. Elastic은 또한 문서 수준 보안으로 검색 액세스를 제어합니다.

개발자라면 블로그, 예제, 앱에서 Elastic을 구현하는 방법에 대한 기술적이고 실용적인 정보를 얻을 수 있는 가장 좋은 장소 중 하나가 Elastic Search Labs입니다. Elastic을 사용하는 기술자를 위해 Elastic에서 일하는 기술자가 만들고 유지 관리합니다. 생성형 AI, 벡터 검색, 머신 러닝 연구의 최신 내용을 알아보려면 Elastic Search Labs를 방문하세요.