主要功能:

• 使用机器学习模型(OpenAI、Hugging Face)的向量嵌入 🤖
• 在 Atlas 上存储数据、元数据和向量嵌入 💾
• 利用 Atlas 向量搜索:
  • 检索增强型生成(RAG) 🧠
  • 语义搜索 🔍
  • 推荐引擎 📊
  • 动态个性化 👤

更快更简单的构建:

• 无需复制或传输数据 🚀
• 将向量嵌入与源数据和元数据一起存储 📚
• 在应用程序数据中嵌入向量,创建向量索引 🔗

无忧数据库管理:

• 自动配置、修补、升级、扩展、安全和灾难恢复 🤖

向量:

• 数据及其相关上下文的数字表示 📊
• 通过向量距离度量语义相似性 🌐
• 应用场景: RAG、语义搜索 🔍

Atlas 向量搜索:

• 搜索与操作数据并列的向量嵌入 🔍
• 避免数据同步,节省资金 💰
• 支持 LlamaIndex、OpenAI、Hugging Face、LangChain 🤖

混合搜索:

• 结合全文和向量搜索 🔍
• 保留全文搜索的准确性,获得向量搜索的语义能力 🎯

基础设施:

• 独立可扩展,消除风险 🔒
• 高资源争用,低停机时间 💪

Atlas 搜索节点:

• 自动扩展搜索工作负载 🚀
• 隔离搜索和数据库工作负载 🔍🗄️
• 搜索集群数据与操作数据同步,无需 ETL 🔄

RAG 最小化幻觉:

• 将模型响应锚定在事实信息上 🧠
• 使用最新的数据源 📚

关键应用场景:

• 语义搜索 🔍
• 检索增强型生成(RAG),提高商业生产力 👨‍💻

计算密集型搜索节点:

• 内存优化,低 CPU 选项 💻
• 适合向量搜索 🔍

检索相似向量:

• 近似最近邻(ANN)算法 🔍

检索最相似向量:

• K 近邻(KNN)搜索 🔍
• 层次可导航小世界(HNSW)算法 🔍

立即开始您的 MongoDB Atlas 向量搜索之旅! 🚀💻

Reference:

Gradio: Build Machine Learning Web Apps — in Python
https://www.gradio.app/
https://github.com/gradio-app/gradio

https://www.mongodb.com/blog/post/retool-state-of-ai-report-mongodb-vector-search-most-loved-vector-database
Atlas Vector Search Once Again Voted Most Loved Vector Database

https://www.mongodb.com/products/platform/atlas-vector-search
Vector Search

https://www.mongodb.com/resources/basics/databases/document-databases
What is a Document Database?

https://www.mongodb.com/resources/solutions/use-cases/generative-ai-shaping-the-future-of-search
How Generative AI is Shaping The Future of Search

https://www.mongodb.com/products/tools/mongodb-query-api
Query API

Editor

Danny Chan, specialty of FSI and Serverless

Kenny Chan, specialty of FSI and Machine Learning