vector search
1.0.0
Les moteurs de recherche de vecteurs offrent aux développeurs la possibilité de store des vecteurs structurés autour de certains algorithmes (c.-à-d. KNN), et un moteur pour compute des vecteurs similaires (comme la distance en cosinus) pour déterminer quels vecteurs sont liés.
Ce référentiel fournit un aperçu complet du paysage de recherche vectorielle, y compris les tutoriels, les guides, les meilleures pratiques et l'apprentissage prolongé. Veuillez consulter la section Education pour en savoir plus.
Voici comment vous pouvez utiliser un moteur de recherche vectoriel dans votre architecture de recherche d'application:
? ? Fondation - Apprenez les concepts de base de la récupération d'informations basée sur les vecteurs.
? Cas d'utilisation - Comprenez où il est logique d'utiliser la recherche vectorielle.
? Architecture - Guides sur la façon d'utiliser la recherche vectorielle dans votre architecture.
| # | Étiquette | Description |
|---|---|---|
| 1 | MOT-CLÉ Vs Search Vector | La différence entre la recherche de texte standard (TF-IDF) et la recherche vectorielle et quand l'utiliser chacun. |
| 2 | Tutoriel vectoriel clairsemé | Une procédure pas à pas de la construction de votre propre moteur d'extraction de fonctionnalités de vecteur clairsemé. |
| 3 | Tutoriel vectoriel dense | Une procédure pas à pas de la construction de votre propre moteur d'extraction de fonctions de vecteur dense. |
| 4 | Moteur de recherche vectoriel atlas | Guides qui présentent l'implémentation de recherche vectorielle de MongoDB Atlas. |
| 5 | Comparaisons de recherche vectorielle | Une comparaison des moteurs de recherche vectoriels les plus populaires. |
| # | Étiquette | Description |
|---|---|---|
| 1 | Similitude des phrases | Détermination de la similitude des textes. |
| 2 | Classification des jetons | Classification du texte dans les catégories prédéfinies. |
| 3 | Question et réponse | Systèmes de construction qui répondent automatiquement aux questions. |
| 4 | Personnalisation | Utilisation des données du client pour personnaliser les résultats de la requête. |
| 5 | Création de synonyme automatisée | Enrichir la collection Synonymes automatiquement. |
| 6 | Récapitulation | Reconstruction d'un corpus en moins de mots. |
| 7 | De la conversation | Génération de réponse du dialogue. |
| 8 | Recherche de fichiers | Recherchez le contenu des fichiers sur plusieurs modalités |
Déploiement de modèle en un clic qui ne quitte jamais votre compte AWS
| # | Source | Description |
|---|---|---|
| 1 | Architecture de référence | Les meilleures pratiques communes pour le déploiement de l'architecture de recherche vectorielle en production. |
| 2 | Hébergement modèle | Suggestions sur la façon d'héberger vos modèles vectoriels. |
| 3 | Version de modèle | Les meilleures pratiques communes pour le versement de vos modèles à mesure qu'ils évoluent. |
| 4 | Boucles de rétroaction | Requête de requête, apprentissage et plus encore. |
| 5 | Sélection de modèles | Quel modèle prend en charge vos tâches spécifiques au domaine le mieux? |
Bien qu'un sujet difficile à saisir, il y a une myriade de ressources éducatives à votre disposition.
Domaine global de l'éducation.
Dernière percée dans le domaine de la conversion du contenu humain (texte, images, etc.) en représentations vectorielles. Les transformateurs sont un modèle d'apprentissage en profondeur qui utilise "l'auto-attention" et pèse différentiellement la signification de chaque partie des données d'entrée.
Afin de déterminer ce qui est jugé pertinent, les ordinateurs doivent mesurer la distance entre les points, dans ce cas, les vecteurs.
Ce référentiel ne serait pas possible sans plusieurs individus clés:
Il s'agit d'un référentiel vivant et évoluera à mesure que j'apprendra et le paysage change. Veuillez vous abonner aux modifications en conséquence via:
