Base de datos vectorial y búsqueda de similitud vectorial

Use IA para reimaginar la búsqueda en datos no estructurados

Los usuarios esperan funcionalidad de búsqueda en cada aplicación y sitio web que encuentran. Sin embargo, más del 80 % de los datos comerciales no están estructurados y se almacenan como texto, imágenes, audio, vídeo u otros formatos.

Las organizaciones deben reinventar las formas de hacer que todo tipo de datos sea detectable, sobre todo porque los usuarios lo exigen. Las potentes funciones de búsqueda impulsarán la próxima generación de aplicaciones.

¿Qué es una base de datos de vectores?

Una base de datos de vectores es un tipo de base de datos que almacena datos en forma de vectores o representaciones matemáticas de puntos de datos. La IA y el aprendizaje automático es lo que está permitiendo esta transformación de datos no estructurados en representaciones numéricas (vectores) que capturan el significado y el contexto, beneficiándose de los avances en el procesamiento del lenguaje natural y la visión por ordenador.

La búsqueda de similitud de vectores (VSS) es una característica clave de una base de datos de vectores. Es el proceso de encontrar puntos de datos que son similares a un vector de consulta dado en una base de datos de vectores. Los usos populares de VSS incluyen sistemas de recomendación, búsqueda de imágenes y vídeos, procesamiento de lenguaje natural y detección de anomalías. Por ejemplo, si crea un sistema de recomendación, puede usar VSS para buscar (y sugerir) productos similares a un producto en el que un usuario mostró interés anteriormente. (¿Necesita más información? Esto debería bastar.)

Por qué la búsqueda de similitud de vectores es un componente crucial de las bases de datos de vectores

La concordancia y el filtrado tradicionales de palabras clave solo le llevan hasta cierto punto. Claro, los algoritmos de búsqueda ordinarios son útiles para casos de uso de texto y documentos. Sin embargo, los resultados de búsqueda son limitados cuando no incorporan significado o contexto. La proliferación de datos no estructurados creó una gran brecha en la efectividad del filtrado y la concordancia de palabras clave tradicionales. Todas las organizaciones que almacenan datos no textuales, y eso es casi todo el mundo, pueden beneficiarse de la mejora de la funcionalidad de búsqueda en datos no estructurados. Pero hasta hace poco, solo un puñado de grandes empresas tecnológicas nativas de la nube tenían esta capacidad.

¿Es nuevo en la búsqueda de similitud de vectores? Descárguese nuestra chuleta.

Descargar ahora

Redis Enterprise: la solución
de base de datos de vectores para cada organización

Rendimiento de búsqueda en tiempo real

Los sistemas de búsqueda y recomendación tienen que funcionar increíblemente rápido. La funcionalidad VSS en Redis Enterprise garantiza una baja latencia de búsqueda, ya sea que la recopilación de datos sea de decenas de miles o cientos de millones de objetos, distribuidos en varios nodos de base de datos.

Resistencia y tolerancia a fallos integradas

Para garantizar que sus aplicaciones de búsqueda nunca experimenten tiempo de inactividad, Redis Enterprise utiliza una arquitectura de clúster no compartida. Es tolerante a fallos en todos los niveles, con conmutación por error automatizada a nivel de proceso, para nodos individuales y en todas las zonas de disponibilidad de la infraestructura. Para garantizar que sus datos y vectores no estructurados nunca se pierdan, Redis Enterprise incluye mecanismos ajustables de persistencia y recuperación ante desastres.

Reduzca la complejidad arquitectónica y de las aplicaciones

Lo más probable es que su organización ya se beneficie de Redis Enterprise para sus necesidades de almacenamiento en caché. En lugar de poner en marcha otra solución costosa de un solo punto, amplíe su base de datos para aprovechar VSS en sus aplicaciones. Los desarrolladores pueden almacenar vectores tan fácilmente como cualquier otro campo en un hash de Redis o un objeto JSON.

Flexibilidad entre nubes y geografías

Elija dónde deben ejecutarse sus bases de datos. Redis Enterprise puede desplegarse en cualquier lugar: en cualquier plataforma de nube, in situ o en una arquitectura de nube múltiple o híbrida.

Use cases

Retrieval Augmented Generation (RAG)

Redis Enterprise provides powerful hybrid semantic capabilities to infuse relevant contextual data into a prompt before it’s sent to a LLM and stores external domain-specific knowledge for improved result quality.

Semantic Caching

Redis Enterprise identifies and retrieves cached responses that are semantically similar enough to the input query, dramatically reducing the response time and number of requests sent to an LLM.

Recommendation Systems

Redis Enterprise helps recommendation engines deliver fresh, relevant suggestions to users at low-latency. It helps them find similar products to those that a shopper enjoys.

Document Search

Redis Enterprise makes it easier to discover and retrieve information from a large corpus of documents, using natural language and semantic search.

Featured customers

Con Redis VSS, podemos ofrecer a nuestros clientes una búsqueda vectorial, con la confianza de que es fiable y extremadamente rápida. Hemos observado una mejora del 80% en la latencia, en comparación con nuestra implementación inicial basada en Lucene. Estamos encantados de trabajar con una marca de confianza y un equipo que facilita el trabajo con Enterprise.

Jacky Koh

CEO, Relevance AI

Nuestra infraestructura de recomendación en tiempo real necesita buscar y actualizar incrustaciones vectoriales en milisegundos para ofrecer una experiencia rapidísima a nuestros clientes de redes sociales y mercados. Hicimos una evaluación comparativa de todos los productos del mercado y Redis resultó ser el mejor. Además, es fácil de usar gracias a la configuración de Redis Enterprise Cloud con un solo clic.

Daniel Svonava

Cofundador, Superlinked

Nuestra plataforma de recuperación, transformación y enriquecimiento depende en gran medida de las bases de datos vectoriales para integrar a la perfección los datos internos con potentes modelos lingüísticos, al tiempo que se prioriza la seguridad de los datos. Tras una exhaustiva evaluación de varios proveedores de bases de datos vectoriales, Mantium eligió Redis por su excepcional rendimiento y su amplio soporte para desarrolladores. Las ventajas de velocidad y coste que ofrecía Redis eran sencillamente incomparables.

Ryan Sevey

CEO y Cofundador

La IA generativa de Docugami para documentos empresariales requiere una velocidad y eficiencia increíbles para nuestras operaciones LLM y ML. A través de Redis Enterprise, hemos visto avances notables en el rendimiento de la escritura de Document XML Knowledge Graph, y una notable reducción en COGS. La integración de Redis Vector Database nos permite manejar incrustaciones de manera más eficiente, mejorando la coherencia y la precisión a medida que convertimos documentos de formato largo en datos para nuestros clientes”.

Jean Paoli

CEO y Cofundador, Docugami

Funciones de búsqueda de similitud de vectores

Algoritmos de indexación de vectores

Redis Enterprise administra vectores en una estructura de datos de índice para habilitar la búsqueda de similitud inteligente que equilibra la velocidad de búsqueda y la calidad de la búsqueda. Elija entre dos técnicas populares, FLAT (un enfoque de fuerza bruta) y HNSW (un enfoque más rápido y aproximado), en función de sus datos y casos de uso.

Métricas de distancia de búsqueda vectorial

Redis Enterprise usa una métrica de distancia para medir la similitud entre dos vectores. Elija entre tres métricas populares: euclidiana, producto interno y similitud de coseno, que se utilizan para calcular lo “cerca” o “lejos” que están dos vectores.

Potente filtrado híbrido

Aproveche el conjunto completo de funciones de búsqueda disponibles en consultas y búsquedas de Redis Enterprise. Mejore sus flujos de trabajo combinando el poder de la similitud de vectores con filtros numéricos, de texto y de etiquetas más tradicionales. Incorpore más lógica comercial en las consultas y simplifique el código de la aplicación del cliente.

Actualizaciones en tiempo real

Los sistemas de búsqueda y recomendación en tiempo real generan grandes volúmenes de datos cambiantes. ¿Nuevas imágenes, texto, productos o metadatos? Realice actualizaciones, inserciones y eliminaciones en el índice de búsqueda sin problemas a medida que su conjunto de datos cambia con el tiempo. Redis Enterprise reduce los impactos costosos de los datos estancados.

Consultas de rango de vectores

La búsqueda de vectores tradicional se realiza encontrando los vectores más similares “top K”. Redis Enterprise también permite el descubrimiento de contenido relevante dentro de un rango o umbral de similitud predefinido para una alternativa y ofrece una experiencia de búsqueda más flexible.