Base vectorielle à l'échelle d'un milliard prête pour la production — Elasticsearch

La base de données vectorielle open source d'Elasticsearch offre un moyen efficace de créer, de stocker et de rechercher des plongements vectoriels.

Associez la recherche textuelle à la recherche vectorielle pour bénéficier de la récupération hybride et ainsi obtenir les meilleures fonctionnalités assurant une précision et une pertinence optimisées.

Essayer Elasticsearch dès aujourd'hui

Découvrez les dernières innovations qui font d'Elasticsearch et de Lucene le meilleur choix pour les bases de données vectorielles.

Lire l'article

Apprenez à utiliser Elasticsearch comme base de données vectorielle pour les plongements, alimenter la recherche et créer des cas d'utilisation tels que la génération augmentée de récupération (RAG), la synthèse et les questions-réponses.

Découvrez-en plus sur Search Labs

Elastic est le premier à offrir une meilleure quantification binaire (BBQ), une optimisation pour les bases de données vectorielles avec une recherche vectorielle plus rapide et plus précise et une réduction de la mémoire de 95 %.

En savoir plus sur le BBQ

Elasticsearch : la base de données vectorielle la plus déployée au monde

Copiez pour essayer localement en deux minutes

curl -fsSL https://elastic.co/start-local | sh

Consulter la documentation

Déployer en production

Commencer un essai gratuit dans le cloud

Ou, télécharger sur site

Une base vectorielle est votre point de départ…

Vous avez besoin de bien plus qu'une base vectorielle pour obtenir une formidable expérience de recherche. Elasticsearch propose plusieurs types de recherche, des modèles de Machine Learning flexibles et des fonctionnalités de recherche avancées telles que l'agrégation, le filtrage et l'auto-complétion.

Exécutez dans le cloud, sans serveur, sur site ou en mode air gap.

Consulter les documents sur Elasticsearch Relevance Engine

Créez un point de terminaison d'inférence

Utilisez un modèle de Machine Learning et appliquez-le à vos données au moment de l’ingestion.

En savoir plus sur l'API d'inférence & E5 model.

PUT _inference/text_embedding/my-e5-endpoint
{
  "service": "elasticsearch",
  "service_settings": {
    "num_allocations": 1,
    "num_threads": 1,
		"model_id": ".multilingual-e5-small"
  }
}

Génération de plongements
Capturez le sens, le contexte et les associations en transformant les données en données dans des vecteurs denses. Créer un article sur les plongements
POST _inference/my-e5-endpoint { "input": "How many adult mallard ducks fit in an american football field?" }

Indexation de plongements

Le stockage vectoriel d'Elasticsearch est basé sur l'algorithme HNSW de Lucene, qui dépasse les benchmarks comparatifs (voir « luceneknn »).

Notre approche de la recherche vectorielle

PUT my-index
{
  "mappings": {
    "properties": {
      "my_vector": {
        "type": "dense_vector"
      },
      "my_text" : {
        "type" : "text"
      },
      "category": {
        "type": "text"
      }
    }
  }
}



# Index a document
PUT my-index/_doc/2
{
  "my_vector" : [
        0.018743202,
        -0.011059246,
   …
        0.05155631,
        0.04044561
      ],
  "my_text" :"57,000 average sized mallard ducks fit on an American football field",
"category" : "weird_stats"
}

Recherche des plongements

Exécutez la recherche kNN en fonction de votre cas d'utilisation - appliquez l'algorithme ANN pour la vitesse et l'échelle en utilisant l'index HNSW de Lucene ou la correspondance exacte.

Explorez ANN et KNN.


GET /my-index/_search
{
  "retriever": {
    "knn": { 
      "field": "my_vector", 
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10, 
      "num_candidates": 10 
    }
  }
}

Utilisation de filtres et de la recherche à facettes pour affiner la recherche

Appuyez-vous sur le riche framework de fonctionnalités de filtrage et de recherche à facettes d'Elasticsearch disponibles pour la recherche vectorielle afin de créer des applications intuitives pour les utilisateurs finaux.

En savoir plus sur le filtrage kNN

En savoir plus sur la recherche à facettes

GET /my-index/_search
{
  "retriever": {
    "knn": {
      "field": "my_vector",
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10,
      "num_candidates": 10,
      "filter": [
        {
          "term": {
            "category": "weird_stats"
          }
        }
      ]
    }
  }
}

Association de méthodes de récupération à la recherche hybride

Avec la récupération hybride, choisissez l'une des méthodes de récupération qui donnent les meilleurs résultats pour votre cas d'utilisation : BM25, le modèle d'encodeur clairsemé entraîné d'Elastic (ELSER), ou des vecteurs denses.

Regarder la vidéo sur la recherche hybride


GET /my-index/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        {
          "standard": {
            "query": {
              "bool": {
                "filter": [
                  {
                    "term": {
                      "category": "weird_stats"
                    }
                  }
                ]
              }
            }
          }
        },
        {
          "knn": {
            "field": "vector",
            "query_vector_builder": {
              "text_embedding": {
                "model_id": "my-e5-endpoint",
                "model_text": "How many adult mallard ducks fit in an american football field??"
              }
            },
            "k": 10,
            "num_candidates": 10
          }
        }
      ],
      "rank_constant": 1,
      "rank_window_size": 50
    }
  }
}

Application de la sécurité au niveau du document et de l'autorisation de conformité

Attribuez des contrôles d'accès basés sur les rôles à l'aide de la sécurité au niveau du champ et du document. Bénéficiez de la prise en charge des frameworks de conformité les plus populaires.

Configurer les autorisations

Configurer la conformité

POST /_security/role/employee_role {
  "indices": [
    {
      "names": [ "example-index" ],
      "privileges": [ "read" ],
      "field_security" : {
        "grant" : [ "state", "name.first", "name.last" ]
      }
    }
  ]
}


GET example-index/_search {
  "query": {...},
  "knn" = {...},
  "aggs": {...}
}

PUT _inference/text_embedding/my-e5-endpoint
{
  "service": "elasticsearch",
  "service_settings": {
    "num_allocations": 1,
    "num_threads": 1,
		"model_id": ".multilingual-e5-small"
  }
}

Intégrations de Base vectorielle

Pourquoi utiliser une base de données vectorielle ?

Essayez-le en utilisant l'IA Playground

Recherche sémantique
Concentrez la recherche sur l'intention et la signification contextuelle au-delà de la correspondance de texte.
Essayez l'apprentissage pratique
Recherche multicanal
Menez des recherches dans l'ensemble de vos données (texte, vecteur, image, audio, vidéo, géographiques ou non structurées).
Types de mapping de champs
Recherche pour l'IA générative
Créez des charges de travail de génération augmentée pour les expériences de recherche de la GenAI en utilisant des techniques vectorielles et hybrides.
ChatGPT et données privées

Base de données vectorielle d'un rang supérieur

Choisissez une base de données vectorielle en fonction de l'expérience de recherche vectorielle que vous souhaitez développer.

Autres bases de données vectorielles

Elasticsearch

Plongements

Stockage des plongements

Prise en charge complète

Prise en charge complète (gratuite)

Génération de plongements

Prise en charge partielle

Prise en charge complète (payante)

Récupération

Machine Learning

Outils d'expérience de recherche

Outils Elastic

Elasticsearch — en action

Découvrez comment les organisations créent des applications de recherche IA pour améliorer l'expérience client et aider les utilisateurs à trouver exactement ce qu'ils recherchent.

Découvrez d'autres témoignages de clients

Témoignage client
Reed, le plus grand recruteur du Royaume-Uni, réunit les chercheurs d'emploi et les employeurs à l'aide d'intégrations vectorielles dans Elasticsearch.
En savoir plus
Témoignage client
Stack Overflow associe la puissance des experts humains à l'IA générative pour accélérer la recherche d'informations fiables dans les bases de connaissances des développeurs.
En savoir plus
Témoignage client
Adobe scale, gère plusieurs cas d'utilisation et met les fonctionnalités de Machine Learning au service d'Elastic.
En savoir plus

Premiers pas avec l'implémentation de la recherche vectorielle

Questions fréquentes

Qu’est-ce qu’une base vectorielle et comment fonctionne-t-elle ?

Une base vectorielle stocke les informations sous forme de vecteurs, qui sont des représentations numériques d'objets de données, également appelées plongements vectoriels. Elle utilise des plongements vectoriels pour la recherche multimodale dans un ensemble massif de données structurées, non structurées et semi-structurées, telles que des images, du texte, des vidéos et des fichiers audio. Les bases vectorielles sont conçues pour gérer les plongements vectoriels, et ainsi offrir une solution complète pour la gestion des données.

Que sont les plongements vectoriels ?

Quels sont les avantages d’une base vectorielle ?

Elasticsearch est une base vectorielle.

Pourquoi choisir Elastic comme base vectorielle ?

La base de données vectorielle la plus utilisée au monde depuis 2019

Grâce aux contributions de la communauté et des utilisateurs, comme vous, Elastisearch a intégré des fonctionnalités de base de données vectorielle au cours des dernières années. Champs vectoriels denses (v7.2), La recherche du plus proche voisin approximatif (version 8.0), le filtrage (version 8.2), les agrégations (version 8.4) et la recherche vectorielle en disponibilité générale (version 8.5) sont autant d'atouts pour les développeurs.

Essayer Elasticsearch dès aujourd'hui

The Search AI Company

IA générative

Search

Security

Observability

Par solution

Secteurs d'activité

Base vectorielle à l'échelle d'un milliard prête pour la production — Elasticsearch

Elasticsearch : la base de données vectorielle la plus déployée au monde

Copiez pour essayer localement en deux minutes

Déployer en production

Une base vectorielle est votre point de départ…

Intégrations de Base vectorielle

Pourquoi utiliser une base de données vectorielle ?

Recherche sémantique

Recherche multicanal

Recherche pour l'IA générative

Base de données vectorielle d'un rang supérieur

Autres bases de données vectorielles

Elasticsearch

Plongements

Récupération

Machine Learning

Outils d'expérience de recherche

Outils Elastic

Elasticsearch — en action

Témoignage client

Témoignage client

Témoignage client

Premiers pas avec l'implémentation de la recherche vectorielle

Articles de blog

Webinars

Projets de démonstration

Questions fréquentes

Qu’est-ce qu’une base vectorielle et comment fonctionne-t-elle ?

Que sont les plongements vectoriels ?

Quels sont les avantages d’une base vectorielle ?

Elasticsearch est une base vectorielle.

Pourquoi choisir Elastic comme base vectorielle ?

La base de données vectorielle la plus utilisée au monde depuis 2019

Nous suivre

À propos de nous

Emplois

Partenaires

Confiance et sécurité

Relations investisseurs

EXCELLENCE AWARDS