Artykuły dla tych, którzy
wdrażają stack
Materiały o React, Node.js, TypeScript i AI. Przetłumaczony tekst jest pokazany, gdy istnieje. Jeśli nie, widać tekst angielski i dopisek o tym.
Tag: HNSW
Pięć sposobów indeksowania wektorów w RAG, przetestowanych na milionie embedów z Wikipedii
Pięć sposobów indeksowania wektorów w RAG przetestowanych na milionie embeddingów z Wikipedii: flat, IVFFlat, HNSW, hybryda BM25 oraz DiskANN, wraz z wartościami opóźnienia i dokładności.
9 min czytaniaSzukanie wektorowe w Azure AI Search: HNSW, profile oraz Python RAG Retriever
Tworzenie indeksu wektorowego w Azure AI Search za pomocą Pythona: HNSW kontra kompleksowe KNN, profile, embeddingi, zapytania wektorowe oraz prompty RAG, plus wskazówki dotyczące wyszukiwania hybrydowego.
9 min czytaniaWewnątrz baz danych wektorowych: IVF, drzewa, HNSW i kwantyzacja iloczynowa
Wewnątrz baz danych wektorowych: wyszukiwanie dokładne vs przybliżone, klastry IVF, lasy drzewne, warstwy HNSW i ich parametry oraz jakie koszty wiąże się z kwantyzacją produktów.
7 min czytaniaOkreślenie przyczyny wolnego działania zapytania w Weaviate za pomocą profilowania krok po kroku
Profilowanie zapytań w Weaviate dostarcza szczegółowy rozkład czasu wykonywania krok po kroku dla każdej odpowiedzi, dzięki czemu można szybko zidentyfikować powolne filtry, odczyty z dysku, wyszukiwanie w grafie lub ponowne obliczanie wyników.
5 min czytaniaPorzuciliśmy naszą bazę danych wektorowych: pgvector skutecznie obsługiwał 40 milionów embeddingów.
Historia migracji: zastąpienie płatnego magazynu wektorowego narzędziem pgvector w bazie zawierającej 40 milionów wierszy, w tym opis metody uzupełniania danych, błędu wykrywania informacji ukrytego w panelach kontrolnych oraz sytuacji, gdy nie należy przeprowadzać zmiany.
5 min czytaniaPoza prostym RAG: koszty pamięci HNSW, wyszukiwanie hybrydowe i długie konteksty
Dlaczego indeksy wektorowe w pamięci napotykają ograniczenia w dużych skali, gdy wyszukiwanie dokładnych dopasowań zawodzi, oraz jak hybrydy BM25, RRF i PostgreSQL pasują do świata długich kontekstów.
5 min czytaniaJak działa baza danych wektorowych: embeddingi, wyszukiwanie wektorowe i pamięć ludzka
Model mentalny oparty na pamięci do wyszukiwania wektorowego: jak działają embeddingi, podobieństwo, indeksy najbliższych sąsiadów oraz filtry metadanych w bazie danych wektorowych do RAG.
9 min czytaniaDostosowywanie indeksów HNSW i skalowanie wyszukiwania wektorowego dla produkcji RAG
Dowiedz się, w jaki sposób parametry M i ef w HNSW wpływają na dokładność, opóźnienie i zużycie pamięci, jak ustawić je w Chroma oraz kiedy skalować bazę wektorową pionowo lub poprzez shardowanie.
4 min czytaniaJak naprawdę działają bazy danych wektorowych: od embeddingów do hybrydowego wyszukiwania
Wyjaśnia, w jaki sposób embeddingi kodują znaczenie, jak skalują się wyszukiwarki podobieństwa i indeksy oraz kiedy hybrydowe wyszukiwarki i bazy danych wektorowych faktycznie pasują do systemów AI w przedsiębiorstwach.
8 min czytania
O tych artykułach
Wycena w 24 h
Potrzebujesz tego stacka w warstwie operatorskiej? Wyślij brief — wycena w 24 h.