Base de données vectorielles et recherche de similarité

Utilisez l’IA pour réinventer la recherche sur des données non structurées

Les utilisateurs attendent des fonctionnalités de recherche dans chaque application et site Web consulté. Pourtant, plus de 80 % des données commerciales sont des données non structurées, stockées sous forme de texte, d’images, d’audio, de vidéo ou d’autres formats.

Les organisations doivent réinventer les moyens de rendre chaque type de données détectables, notamment parce que les utilisateurs l’exigent. Des fonctions de recherche puissantes alimenteront la prochaine génération d’applications.

Qu’est-ce qu’une base de données vectorielle ?

Une base de données vectorielle est un type de base de données qui stocke des données sous forme de vecteurs ou de représentations mathématiques de points de données. L’IA et l’apprentissage machine permettent cette transformation des données non structurées en représentations numériques (vecteurs) qui saisissent le sens et le contexte, bénéficiant des avancées dans le traitement du langage naturel et la vision par ordinateur.

La recherche de similarité vectorielle (VSS) est une fonctionnalité clé d’une base de données vectorielle. Il s’agit du processus de recherche de points de données similaires à un vecteur de requête donné dans une base de données vectorielle. Les utilisations VSS les plus populaires comprennent les systèmes de recommandation, la recherche d’images et de vidéos, le traitement du langage naturel et la détection des anomalies. Par exemple, si vous créez un système de recommandation, vous pouvez utiliser VSS pour trouver (et suggérer) des produits similaires à un produit pour lequel un utilisateur a déjà manifesté de l’intérêt. (Vous avez besoin de plus d’informations ? C’est possible.)

Pourquoi la recherche de similarité de vecteur est-elle cruciale
pour les bases de données vectorielles

La correspondance et le filtrage traditionnels des mots-clés ne suffisent pas toujours. Bien sûr, les algorithmes de recherche ordinaires sont utiles pour les cas d’utilisation de texte et de document. Cependant, les résultats de recherche sont limités lorsqu’ils n’intègrent pas de sens ou de contexte. La prolifération des données non structurées a créé un énorme écart dans l’efficacité de la correspondance et du filtrage traditionnels des mots-clés. Chaque organisation qui stocke des données non textuelles, et c’est à peu près tout le monde, peut bénéficier de l’amélioration de la fonctionnalité de recherche sur les données non structurées. Mais jusqu’à récemment, seule une poignée de grandes entreprises technologiques natives du cloud disposaient de cette fonctionnalité.

Nouveau dans la recherche de la similarité vectorielle ? Téléchargez notre antisèche

Téléchargez maintenant

Redis Enterprise : la solution de base de données vectorielle pour chaque organisation

Performances de recherche en temps réel

Les systèmes de recherche et de recommandation doivent être incroyablement rapides. La fonctionnalité VSS de Redis Enterprise garantit une faible latence de recherche, que la collecte de données porte sur des dizaines de milliers ou des centaines de millions d’objets, répartis sur un certain nombre de nœuds de base de données.

Tolérance intégrée aux pannes et à la résilience

Pour garantir que vos applications de recherche ne subissent jamais de temps d’arrêt, Redis Enterprise utilise une architecture de cluster à partage nul. Elle est tolérante aux pannes à tous les niveaux, avec un basculement automatisé au niveau du processus, pour les nœuds individuels et dans les zones de disponibilité de l’infrastructure. Pour garantir que vos données et vecteurs non structurés ne soient jamais perdus, Redis Enterprise inclut des mécanismes de persistance et de reprise après sinistre réglables.

Réduire la complexité architecturale et applicative

Votre organisation bénéficie probablement déjà de Redis Enterprise pour ses besoins de mise en cache. Au lieu de lancer une autre solution coûteuse à point unique, étendez votre base de données pour tirer parti de VSS dans vos applications. Les développeurs peuvent stocker des vecteurs aussi facilement que n’importe quel autre champ dans un hachage Redis ou un objet JSON.

Flexibilité sur les clouds et les zones géographiques

Choisissez l’emplacement d’exécution de vos bases de données. Redis Enterprise peut être déployé sur n’importe quelle plateforme basée sur le nuage, sur site et dans une architecture multi-cloud ou mixte.

Fonctions de recherche de similarité de vecteur

Retrieval Augmented Generation (RAG)

Redis Enterprise offre de puissantes capacités sémantiques hybrides permettant d’infuser des données contextuelles pertinentes dans une invite avant qu’elle ne soit envoyée à un LLM et de stocker des connaissances externes spécifiques à un domaine pour améliorer la qualité des résultats.

Semantic Caching

Redis Enterprise identifie et récupère les réponses mises en cache qui sont sémantiquement suffisamment similaires à la requête d’entrée, ce qui réduit considérablement le temps de réponse et le nombre de requêtes envoyées à un LLM.

Systèmes de recommandation

Redis Enterprise aide les moteurs de recommandation à fournir des suggestions fraîches et pertinentes aux utilisateurs avec une faible latence. Il les aide à trouver des produits similaires à ceux qui plaisent à l’acheteur.

Recherche de documents

Redis Enterprise facilite la découverte et l’extraction d’informations à partir d’un large corpus de documents, en utilisant le langage naturel et la recherche sémantique.

Featured customers

Avec Redis VSS, nous pouvons fournir à nos clients une recherche vectorielle, avec une amélioration de de 80 % de la latence, par rapport à notre initial basé sur Lucene, qui permet de travailler avec

Jacky Koh

CEO, Relevance AI

Notre infrastructure de recommandation en temps réel doit rechercher et mettre à jour les vecteurs intégrés en quelques millisecondes afin d’offrir une expérience ultra-rapide à nos clients des réseaux sociaux et des places de marché.Nous avons comparé tous les produits du marché et Redis est arrivé en tête. De plus, il est facile à utiliser grâce à l’installation en un clic de Redis Enterprise Cloud.

Daniel Svonava

Co-founder, Superlinked

Notre plateforme d’extraction, de transformation et d’enrichissement s’appuie fortement sur les bases de données vectorielles pour intégrer de manière transparente les données internes avec de puissants modèles de langage, tout en donnant la priorité à la sécurité des données. Après une évaluation exhaustive de plusieurs fournisseurs de bases de données vectorielles, Mantium a choisi Redis pour ses performances exceptionnelles et son support étendu aux développeurs.Les avantages en termes de vitesse et de coût offerts par Redis étaient tout simplement inégalés.

Ryan Sevey

CEO and Co-Founder, Mantium

L’IA générative de Docugami pour les documents commerciaux exige une vitesse et une efficacité incroyables pour nos opérations LLM et ML. Grâce à Redis Enterprise, nous avons constaté des progrès remarquables dans la performance de l’écriture des graphes de connaissances XML des documents et une réduction notable des coûts de production. L’intégration de Redis Vector Database nous permet de traiter les embeddings plus efficacement, en améliorant la cohérence et la précision lorsque nous transformons des documents longs en données pour nos clients.

Jean Paoli

CEO and Co-Founder, Docugami

Vector similarity search features

Algorithmes d’indexation vectorielle

Redis Enterprise gère les vecteurs dans une structure de données indexées pour permettre une recherche intelligente de similarité qui équilibre la vitesse et la qualité de la recherche. Choisissez parmi deux techniques populaires, FLAT (une approche par force brute) et HNSW (une approche plus rapide et approximative), en fonction de vos données et de vos cas d’utilisation.

Mesures de distance de recherche vectorielle

Redis Enterprise utilise une mesure de distance pour mesurer la similarité entre deux vecteurs. Choisissez parmi trois indicateurs populaires – Euclidienne, Produit interne et Similitude cosinus – utilisés pour calculer la proximité ou l’écartement de deux vecteurs.

Filtrage hybride puissant

Profitez de la suite complète de fonctionnalités de recherche disponibles dans « Redis Enterprise query and search ». Améliorez vos flux de travail en combinant la puissance de la similarité des vecteurs avec des filtres numériques, de texte et de balise plus traditionnels. Intégrez plus de logique métier dans les requêtes et simplifiez le code d’application client.

Mises à jour en temps réel

Les systèmes de recherche et de recommandation en temps réel génèrent de grands volumes de données changeantes. Nouvelles images, nouveaux textes, produits ou nouvelles métadonnées ? Effectuez des mises à jour, des insertions et des suppressions dans l’index de recherche de manière transparente à mesure que votre jeu de données change au fil du temps. Redis Enterprise réduit les impacts coûteux des données stagnantes.

Requêtes de plage vectorielle

La recherche de vecteurs traditionnels est effectuée en recherchant les vecteurs « K les plus similaires ». Redis Enterprise permet également la découverte de contenu pertinent dans une plage ou un seuil de similarité prédéfini pour une alternative, et offre une expérience de recherche plus flexible.