awesome weaviate

Génial weavate

Liste impressionnante d'exemples et de tutoriels sur la façon d'utiliser le moteur de recherche vectoriel

---

Téliez en un mot : Weavate est un moteur de recherche vectoriel et une base de données vectorielle. Weavate utilise l'apprentissage automatique pour vectoriser et stocker des données, et pour trouver des réponses aux requêtes en langage naturel. Avec Weavate, vous pouvez également apporter vos modèles ML personnalisés à l'échelle de production.

? Documentation? ‍GitHub? Readme

---

Table des matières

• Exemples

  • Liste des exemples de WeAviate

• Articles de blog

  • Recherche sémantique via Wikipedia avec WeAviate (GraphQL, phrase-Bert et Bert Q&A)
  • Semi Blog: commencer avec le moteur de recherche vectoriel de Weavate
  • Semi Blog: Weavate est un moteur de recherche pour les intégres vectoriels
  • Vers DataScience: une recherche neuronale de moins de 50 ms avec Distilbert et faire passer
  • DB-Engines.com: WeAviate, une base de données ANN avec support CRUD
  • Semi Blog: comment l'API GraphQL de WeAviate a été conçu
  • IEEE: apporter la technologie du graphique de connaissances sémantiques à vos données
  • Semi Blog: trouver des réponses dans un document complexe en utilisant WeAviate
  • Semi Blog: ce que les utilisateurs tiennent à savoir sur les conteneurs Docker
  • Hackernoon: les requêtes de recherche sémantique renvoient des résultats plus éclairés
  • Hackernoon: commencer avec le moteur de recherche vectoriel de Weavate
  • Hackernoon: qu'est-ce qui est en train de faire passer et comment y créer des schémas de données
  • Hackernoon: comment l'API GraphQL de WeAviate a été conçu
  • Hackernoon: Weavate est votre moteur de recherche pour les intégres vectoriels
  • Hackernoon: L'histoire du moteur de recherche vectoriel WeAviate
  • Magazine ICT (néerlandais)
  • Vers DataScience: toutes les bases de données vectorielles ne sont pas égales
  • Medium: Recherche de graphiques de connaissances de 60 millions de vecteurs avec Weavate
  • Semi Blog: Taxonomies, Ontologies et Scehmas comment elles se rapportent à la transmission
  • Semi Blog: Transformers avec Weavate v1.2.x
  • Semi Blog: Créez une application frontale basée sur React pour votre moteur de recherche neuronal Weavate
  • Semi Blog: Weavate, un Ann DB avec un support CRUD
  • Semi Blog: History of Weavate Search Engine
  • Semi Blog: Si vous pouviez comprendre vos données non structurées
  • Vers DataScience: commencer avec Weavate Python Client
  • Vers DataScience: effets des recherches HNSW filtrées sur le rappel et la latence
  • Medium: Retirer près des doublons dans la récupération de recherche sémantique à l'aide de WeAviate

• Présentation lors des conférences

  • Weavate @ Fosdem 2021
  • Terminer le client Python
  • Weavate @ Fosdem 2020
  • Fivier @ Google Cloud's Stackchat
  • Weavate @ Fosdem 2019

• Interviews

  • Journal Sagepub

• Google Colab Notebooks

  • Filtre des documents similaires (distracteurs) Terminer
  • Se faire démarrer avec un-python-clien

• Podcasts

  • Podcast cloud google
  • Pitch and Interview for Dutch Applied AI Award 2021 (en néerlandais)

• Ensembles de données de démonstration

  • Terminer des exemples
  • Exemples d'ensembles de données

• Rencontres

  • Échelle horizontale, Sharding, Kubernetes, et plus encore dans Weavate v1.8.0
  • Démarrage (Configuration, vectorieurs, schémas, importation de données et graphQL)
  • Comment créer des modules personnalisés dans Weavate?
  • Architecture Deep Dive, Comment construire une base de données vectorielle
  • Présentation des transformateurs (Distilbert, Bert, phrase-BERT)
  • Timer la version v1.0