Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Les magasins vectoriels sont utilisés dans de nombreux domaines et situations dans l’IA analytique et générative, notamment le traitement du langage naturel, la reconnaissance vidéo et l’image, les systèmes de recommandation et la recherche.
Qu’est-ce qu’un magasin vectoriel ?
Un magasin de vecteurs (également appelé base de données vectorielle) est une base de données qui stocke et gère les incorporations vectorielles. Les incorporations de vecteurs sont des représentations mathématiques des données dans un espace à haute dimension.
Dans cet espace, chaque dimension correspond à une fonctionnalité des données. Des dizaines de milliers de dimensions peuvent être utilisées pour représenter des données sophistiquées. La position d’un vecteur dans cet espace représente ses caractéristiques. Les mots, expressions, documents entiers, images, audio et autres types de données peuvent tous être vectorisés.
Comment fonctionne un magasin de vecteurs ?
Dans un magasin de vecteurs, vous utilisez des algorithmes de recherche vectorielle pour indexer et interroger des incorporations. Les algorithmes de recherche vectorielle connus incluent Disk Approximate Nearest Neighbor (DiskANN), Hierarchical Navigable Small World (HNSW) et Inverted File with Flat Compression (IVFFlat).
La recherche vectorielle est une méthode qui vous aide à trouver des éléments similaires en fonction de leurs caractéristiques de données, plutôt que des correspondances exactes sur un champ de propriété. Cette technique est utile dans des applications comme la recherche de texte similaire, la recherche d’images associées, la création de recommandations ou même la détection d’anomalies.
La recherche vectorielle est utilisée pour interroger les incorporations vectorielles de vos données que vous avez créées à l’aide d’un modèle Machine Learning, via une API d’incorporations. Voici quelques exemples d’API d’incorporation : Azure OpenAI Embeddings et Hugging Face sur Azure.
La recherche vectorielle mesure la distance entre les vecteurs de données et votre vecteur de requête. Les vecteurs de données les plus proches de votre vecteur de requête sont ceux qui sont sémantiquement les plus similaires.
Lorsque vous utilisez Azure Database pour PostgreSQL comme magasin de vecteurs, vous pouvez stocker, indexer et interroger des incorporations en même temps que les données d’origine. Cette approche élimine le coût supplémentaire de réplication des données dans une base de données vectorielle distincte et pure.
Cette architecture conserve également les incorporations de vecteurs et les données d’origine ensemble. Maintenir les embeddings et les données ensemble facilite les opérations de données multimodales. Elle permet également une plus grande cohérence, une mise à l’échelle et des performances des données.