Capitolo 6. Databasevettoriali e ricerche di similarità
Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com
I database vettoriali hanno visto crescere rapidamente la loro popolarità, soprattutto con l'avvento degli LLMs. La Figura 6-1 mostra alcuni dei database vettoriali più popolari e quando sono stati rilasciati.
FAISS è stato lanciato nel 2017, seguito da Milvus e Weaviate nel 2019, Vald nel 2020, Pinecone nel 2021 e Chroma nel 2023. Allo stesso tempo, database tradizionali come PostgreSQL ed Elasticsearch hanno aggiunto funzionalità di ricerca vettoriale alle loro piattaforme esistenti. Ciò significa che non è necessario aggiungere un database vettoriale dedicato al tuo stack tecnologico se il tuo database SQL o NoSQL esistente supporta già la ricerca vettoriale.
Figura 6-1. L'evoluzione degli archivi vettoriali
Questo capitolo presenta le librerie e i database più diffusi che supportano le operazioni vettoriali, tra cui FAISS, Chroma e PostgreSQL. Imparerai come scegliere il vector store più adatto alle tue esigenze, implementare ricerche di similarità e ottimizzare le prestazioni utilizzando tecniche di indicizzazione.
Nota
In questo capitolo incontrerai sia la "ricerca per similarità" che la "ricerca semantica". La ricerca per similarità si riferisce all'operazione tecnica di trovare ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access