Categoria: Banco de dados vetorial
Artigos marcados como Banco de dados vetorial
Filtragem de pesquisa vetorial: Mantenha a relevância
Realizar uma busca vetorial para encontrar os resultados mais semelhantes a uma consulta não é suficiente. Muitas vezes, é necessário usar filtros para refinar os resultados da pesquisa. Este artigo explica como funciona a filtragem para busca vetorial no Elasticsearch e no Apache Lucene.
Mapeamento de embeddings para tipos de campo do Elasticsearch: semantic_text, dense_vector, sparse_vector
Discutindo como e quando usar semantic_text, dense_vector ou sparse_vector, e como eles se relacionam com a geração de embeddings.
Como implementar a Quantização Binária Aprimorada (BBQ) em seu caso de uso.
Descubra por que você implementaria a Quantização Binária Aprimorada (BBQ) em seu caso de uso e como fazê-lo.
Elasticsearch BBQ vs. OpenSearch FAISS: Comparação de desempenho de pesquisa vetorial
Uma comparação de desempenho entre o Elasticsearch BBQ e o OpenSearch FAISS.
Banco de dados vetorial Elasticsearch para aterramento nativo na plataforma Vertex AI do Google Cloud
Descubra como o Elasticsearch, o primeiro mecanismo de ancoragem nativo de terceiros para o Vertex AI do Google Cloud, permite criar experiências GenAI personalizadas, ancorando modelos Gemini em dados corporativos.
Acelerando a fusão de gráficos HNSW
Explore o trabalho que temos feito para reduzir a sobrecarga de construção de vários gráficos HNSW, particularmente reduzindo o custo de mesclagem de gráficos.
Redimensionamento de modelos de interação tardia no Elasticsearch - parte 2
Este artigo explora técnicas para redimensionar vetores de interação tardia para cargas de trabalho de produção em grande escala, como a redução do uso de espaço em disco e a melhoria da eficiência computacional.
Explorando a busca vetorial acelerada por GPU no Elasticsearch com NVIDIA: Capítulo I
Com tecnologia NVIDIA cuVS, a colaboração busca fornecer aos desenvolvedores aceleração de GPU para pesquisa vetorial no Elasticsearch.
Uma breve introdução à busca vetorial
Este artigo é o primeiro de uma série de três que irá explorar as complexidades da busca vetorial, também conhecida como busca semântica, e como ela é implementada no Elasticsearch.
Como usar o conector Elasticsearch Vector Store para o Microsoft Semantic Kernel no desenvolvimento de agentes de IA
O Microsoft Semantic Kernel é um kit de desenvolvimento leve e de código aberto que permite criar facilmente agentes de IA e integrar os modelos de IA mais recentes em seu código C#, Python ou Java. Com o lançamento do Semantic Kernel Elasticsearch Vector Store Connector, os desenvolvedores que usam o Semantic Kernel para criar agentes de IA agora podem integrar o Elasticsearch como um armazenamento vetorial escalável de nível empresarial, continuando a usar as abstrações do Semantic Kernel.
Como usar a busca híbrida em um catálogo de produtos de e-commerce
Aprenda a usar a busca híbrida para criar um catálogo de produtos de e-commerce, utilizando filtros, promoções, personalização e análise comportamental.
