Vektorsökning i Azure Cosmos DB

Vektorsökning är en metod som hjälper dig att hitta liknande objekt baserat på deras dataegenskaper i stället för exakta matchningar i ett egenskapsfält. Den här tekniken är användbar i program som att söka efter liknande text, hitta relaterade bilder, göra rekommendationer eller till och med identifiera avvikelser. Det fungerar genom att ta fram vektorrepresentationerna av din data och din sökfråga, och sedan mäta avståndet mellan datavektorerna och din frågevektor. De datavektorer som är närmast din frågevektor är de som är mest lika semantiskt.

Exempel

Den här interaktiva visualiseringen visar några exempel på närhet och avstånd mellan vektorer.

Algoritmer

Två huvudtyper av vektorsökningsalgoritmer är k-närmaste grannar (kNN) och ungefärlig närmaste granne (ANN). Mellan kNN och ANN erbjuder den senare en balans mellan noggrannhet och effektivitet, vilket gör den bättre lämpad för storskaliga program. Några välkända ANN-algoritmer är Inverted File (IVF), Hierarchical Navigable Small World (HNSW) och den toppmoderna DiskANN.

Att använda en integrerad vektorsökningsfunktion i en fullständigt aktuell databas (till skillnad från en ren vektordatabas) är ett effektivt sätt att lagra, indexa och söka efter högdimensionella vektordata direkt tillsammans med andra programdata. Den här metoden tar bort behovet av att migrera dina data till dyrare alternativa vektordatabaser och ger en sömlös integrering av dina AI-drivna program.

Relaterat innehåll

• Vad är en vektordatabas?
• Hämtningsförhöjd generation (RAG)
• Vektorsökning i Azure Cosmos DB NoSQL
• Vektorarkiv i Azure Cosmos DB för MongoDB
• Vad är token?
• Vektorbäddningar
• Vad är avståndsfunktioner?
• kNN vs ANN-vektorsökningsalgoritmer
• Multitenancy för vektorsökning