aquila

Aquila DB

Mesin pencari saraf yang mudah digunakan

Aquila DB adalah mesin pencari saraf. Dengan kata lain, ini adalah database untuk mengindeks vektor laten yang dihasilkan oleh model ML bersama dengan JSON metadata untuk melakukan pengambilan K-NN . Sangat mudah untuk diatur, agnostik-bahasa, dan turun di samping aplikasi pembelajaran mesin Anda. Aquila DB, karena fitur saat ini adalah solusi siap untuk insinyur pembelajaran mesin dan ilmuwan data untuk membangun aplikasi pengambilan informasi saraf di luar kotak dengan ketergantungan minimal.

Proyek ini masih dalam versi Alpha & kami sudah menggunakannya dalam produksi untuk Power Semantic Search di https://aquila.network.

Ingin mendukung proyek ini? Ya, kami senang mendapatkan bintang dan teriakan ?

Bergabunglah dengan Obrolan Komunitas dan Dapatkan Dukungan:

Untuk siapa ini

• Jika Anda sedang mengerjakan proyek ilmu data dan perlu menyimpan banyak data dan mengambil data serupa berdasarkan beberapa vektor fitur, ini akan menjadi alat yang berguna bagi Anda, dengan manfaat tambahan kebutuhan aplikasi web dunia nyata.
• Apakah Anda berurusan dengan banyak gambar dan metadata terkait? Ingin menemukan yang serupa? Anda berada di tempat yang tepat.
• Jika Anda mencari database dokumen, ini bukan tempat yang tepat untuk Anda.

Teknologi

Aquila DB Powers Fitur Pencarian dari Aquila Network. Di sinilah Aquila DB cocok di seluruh ekosistem:

Jika Anda serius dan ingin menyelam di lubang kelinci, baca whitepaper dan spesifikasi teknis kami (sedang dikerjakan secara aktif).

Sebagai catatan , segala sesuatu di Aquila Network ditentukan oleh spesifikasi dan sebagian besar upaya kami masuk ke dalamnya. Kami juga mempertahankan implementasi kualitas dari spesifikasi tersebut dengan pengguna non-teknis dalam pikiran. Ini untuk memastikan bahwa - Aquila Network sepenuhnya terbuka, terdesentralisasi oleh desain, dan adil. Anda dapat mengikuti spesifikasi tersebut untuk mengimplementasikan perangkat lunak alternatif Anda dan masih berinteraksi dengan jaringan tanpa batasan apa pun.

Memasang

Debian

Jalankan curl -s -L https://raw.githubusercontent.com/Aquila-Network/AquilaDB/master/install.sh | /bin/bash -s -- -d 1 .

Buruh pelabuhan

Anda perlu Docker terpasang di sistem Anda

Build Image (Lite): docker build https://raw.githubusercontent.com/Aquila-Network/AquilaDB/master/Dockerfile -t aquiladb:local

Bangun gambar (data besar): docker build https://raw.githubusercontent.com/Aquila-Network/AquilaDB/master/DockerfileBig -t aquiladb:localbg

Jalankan gambar (untuk menggunakan Aquila DB Lite): docker run -p 5001:5001 -d aquiladb:local

Jalankan gambar (untuk menggunakan Aquila DB Big): docker run -p 5001:5001 -d aquiladb:localbg

SDK Klien

Kami saat ini memiliki beberapa perpustakaan klien yang sedang berlangsung untuk abstrak komunikasi antara Aquila DB yang digunakan dan aplikasi Anda.

Python

Node JS

Tempat Mendapatkan Kunci Pribadi (Kunci Dompet) untuk Otentikasi Klien

Saat Anda menggunakan pustaka klien untuk mengotentikasi dengan AquiladB, Anda mungkin perlu mengakses kunci pribadi yang sama (kunci dompet) yang digunakan oleh AquiladB. Kunci ini terletak di dalam /ossl/ direktori dalam wadah Aquiladb Docker (di komputer Anda jika Anda telah menginstal AquiladB secara langsung tanpa Docker). Untuk mengakses kunci di dalam wadah Aquiladb Anda, ikuti langkah -langkah di bawah ini:

• Identifikasi CONTAINER ID untuk contoh aquiladb Docker yang sudah berjalan: docker ps
• Ambil salinan tombol pribadi dari Docker Container ke mesin host Anda: docker cp CONTAINER_ID:/ossl/ ./
• Sekarang Anda akan melihat direktori baru bernama ossl di lokasi Anda saat ini. Gunakan kunci di dalamnya.

Tips untuk pengguna tingkat lanjut

Jika pipa Anda memerlukan kunci pribadi untuk dihasilkan terlebih dahulu, Anda dapat melakukannya di mesin host Anda dan kemudian memasangnya ke wadah /ossl/ direktori.

Berlari:

 mkdir -p <host>/ossl/
openssl genrsa -passout pass:1234 -des3 -out <host>/ossl/private.pem 2048
openssl rsa -passin pass:1234 -in <host>/ossl/private.pem -outform PEM -pubout -out <host>/ossl/public.pem
openssl rsa -passin pass:1234 -in <host>/ossl/private.pem -out <host>/ossl/private_unencrypted.pem -outform PEM

Kemajuan

Proyek ini masih dan akan di bawah pengembangan aktif dengan rilis produksi menengah. Ini dapat digunakan sebagai database mandiri atau sebagai simpul yang berpartisipasi dalam jaringan Aquila. Harap dicatat, port Aquila (lapisan jaringan peer-peer untuk node Aquila DB) juga merupakan pekerjaan yang sedang berlangsung. Saat ini, Anda perlu menggunakan model khusus Anda untuk memberi makan embeddings vektor ke Aquila DB, sampai pengembangan Aquila Hub dimulai.

Menyumbang

Kami telah menyiapkan dokumen untuk membuat siapa pun tertarik untuk berkontribusi, segera dimulai dengan Aquila DB. Inilah peta jalan rilis tingkat tinggi kami.

Mempelajari

Kami telah mulai bertemu pengembang dan melakukan pembicaraan kecil tentang Aquila DB. Berikut adalah slide yang kami gunakan pada kesempatan itu: http://bit.ly/aquiladb-slides

Video:

Pada fitur rilis AquiladB saat ini, Anda dapat membangun aplikasi pengambilan informasi saraf di luar kotak tanpa dependensi eksternal. Berikut adalah beberapa tautan yang berguna untuk mempelajari lebih lanjut tentang hal itu dan mulai membangun:

• Microsoft menerbitkan video makalah dan YouTube tentang ini kepada siapa pun yang tertarik:
  • Kertas: https://www.microsoft.com/en-us/research/uploads/prod/2017/06/inr-061-mitra-neuralir-into.pdf
  • Video: https://www.youtube.com/watch?v=g1pgo5ytikg
• Embeddings for Everything: Cari di Era Jaringan Saraf: https://www.youtube.com/watch?v=jghvjxp9nhw
• Autoencoders adalah salah satu algoritma pembelajaran mendalam yang akan membantu Anda membangun vektor semantik - Foundation for Neural Information Retrieval. Berikut adalah beberapa tautan ke IR berbasis autoencoders:
  • Pergi ke bab 15 di tautan ini: https://www.cs.toronto.edu/~hinton/coursera_lectures.html
  • https://www.coursera.org/lecture/ml-foundations/examples-of-document-retrieval-in-action-cw25h
  • https://www.coursera.org/lecture/intro-to-deep-learning/autoencoders-101-qqboa
• Perhatikan bahwa, gagasan pengambilan informasi berlaku tidak hanya untuk data teks tetapi untuk data apa pun. Yang perlu Anda lakukan adalah, menyandikan tipe data sumber apa pun ke vektor padat dengan jaringan saraf yang dalam.

Sponsor kami

Email kami untuk mensponsori proyek ini [email protected].

Mengutip Aquila DB

Jika Anda menggunakan Aquila DB dalam makalah akademik, kami akan melakukannya? untuk dikutip. Berikut adalah dua cara mengutip Aquila DB:

 footnote{https://github.com/Aquila-Network/AquilaDB}

 @misc{AquilaNetwork2019AquilaDB,
  title={AquilaDB: Neural Search Engine},
  author={Jubin Jose, Nibin Peter},
  howpublished={url{https://github.com/Aquila-Network/AquilaDB}},
  year={2019}
}

Lisensi

File Lisensi Lisensi Apache 2.0

Dibuat oleh ❤️ dengan A-MMA (A_ മ്മ)