Offrez de meilleures expériences évolutives grâce à une mise en cache accessible. Une qualité supérieure conçue par les développeurs à l’origine de Redis open source.
res11 = r.json().set("newbike", "$", ["Deimos", {"crashes": 0}, None])
print(res11) # >>> True
res12 = r.json().get("newbike", "$")
print(res12) # >>> ['["Deimos", { "crashes": 0 }, null]']
res13 = r.json().get("newbike", "$[1].crashes")
print(res13) # >>> ['0']
res14 = r.json().delete("newbike", "$.[-1]")
print(res14) # >>> [1]
res15 = r.json().get("newbike", "$")
print(res15) # >>> [['Deimos', {'crashes': 0}]]Les meilleurs résultats ? Déjà, ceux que vous cherchiez. Rendez votre application d’IA plus intelligente et plus rapide avec une recherche documentaire optimisée, des systèmes de recommandations, une mise en cache sémantique et une génération augmentée de récupération (RAG).
# Create a vector index using the HNSW algorithm, 768 dimension length, and inner product distance metric
> FT.CREATE idx-videos ON HASH PREFIX 1 video: SCHEMA content_vector VECTOR HNSW 6 TYPE FLOAT32 DIM 768 DISTANCE_METRIC IP content TEXT metadata TEXT
# Add a video vector with metadata
> HSET video:0 content_vector "\xa4q\t=\xc1\xdes\xbdZ$<\xbd\xd5\xc1\x99<b\xf0\xf2<x[...\xf8<" content "SUMMARY:\nThe video discusses the limitations of MySQL at scale and introduces Redis Enterprise" metadata "{\"id\":\"FQzlq91g7mg\",\"link\":\"https://www.youtube.com/watch?v=FQzlq91g7mg\",\"title\":\"Redis + MySQL in 60 Seconds\"}"
(integer) 3
# Search for videos using a similar vector and the K-nearest neighbors algorithm
> FT.SEARCH idx-videos "* => [KNN 3 @content_vector $vector AS vector_score]" RETURN 3 metadata content vector_score SORTBY vector_score LIMIT 0 3 PARAMS 2 vector "\b[\xb7;\x81\x12\x9c\xbc\xc6!...\xfe<" DIALECT 2Utilisez Redis comme base de données NoSQL pour créer des applications rapides et fiables, avec une disponibilité 99,999 % du temps sans effort.
# Create an index. In this example, all JSON documents with the key prefix 'user:' will be indexed.
rs = r.ft("idx:users")
rs.create_index(
schema,
definition=IndexDefinition(
prefix=["user:"], index_type=IndexType.JSON
)
)
# Use JSON.SET to set each user value at the specified path.
r.json().set("user:1", Path.root_path(), user1)
r.json().set("user:2", Path.root_path(), user2)
r.json().set("user:3", Path.root_path(), user3)
# Find the user Paul and filter the results by age.
res = rs.search(
Query("Paul @age:[30 40]")
)
# Result:
# {1 total, docs: [Document {'id': 'user:3', 'payload': None, 'json': '{"name":"Paul Zamir","email":"paul.zamir@example.com","age":35,"city":"Tel Aviv"}'}]}
# b'OK'
res11 = r.json().set("newbike", "$", ["Deimos", {"crashes": 0}, None])
print(res11) # >>> True
res12 = r.json().get("newbike", "$")
print(res12) # >>> ['["Deimos", { "crashes": 0 }, null]']
res13 = r.json().get("newbike", "$[1].crashes")
print(res13) # >>> ['0']
res14 = r.json().delete("newbike", "$.[-1]")
print(res14) # >>> [1]
res15 = r.json().get("newbike", "$")
print(res15) # >>> [['Deimos', {'crashes': 0}]]
Flowdesk a mis en œuvre Redis pour analyser en temps réel. Ainsi, ils ont atteint une vitesse d’exécution de requêtes 10 fois plus rapide et une réduction de 50 % des coûts d’infrastructure.
Docugami utilise Redis pour stocker, rechercher et mettre à jour facilement des plongements vectoriels à grande échelle.
Grâce à Redis, Ekata utilise la hiérarchisation automatique (auto-tiering) — ce qui nécessite 70 % de moins de stockage DRAM coûteux par rapport à leur ancienne configuration.
Redis permet à Niantic d’optimiser l’équilibrage de charge serveur avec moins de ressources. Comme ça, ils offrent de meilleures performances et une meilleure expérience à leurs joueurs.
Ulta met en œuvre Redis pour améliorer l’expérience client. Comme ça, l’entreprise réduit le temps de réponse de 50 % et gère plus de 300 000 transactions par seconde.
iFood améliore la performance et l’évolutivité avec Redis. Comme ça, ils réduisent la latence de 50 % et triplent le débit de leur plateforme de livraison de repas.
