Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Recherche vectorielle
La recherche vectorielle dans Amazon OpenSearch Service vous permet de rechercher du contenu sémantiquement similaire à l'aide d'intégrations de machine learning plutôt que de la correspondance de mots clés traditionnelle. La recherche vectorielle convertit vos données (texte, images, audio, etc.) en vecteurs numériques de grande dimension (intégrations) qui capturent le sens sémantique du contenu. Lorsque vous effectuez une recherche, OpenSearch compare la représentation vectorielle de votre requête aux vecteurs enregistrés pour trouver les éléments les plus similaires.
La recherche vectorielle inclut les éléments clés suivants.
- Champs vectoriels
-
OpenSearch prend en charge le type de
knn_vectorchamp pour stocker des vecteurs denses aux dimensions configurables (jusqu'à 16 000). - Méthodes de recherche
-
-
K-nn (k voisins les plus proches) : trouve les k vecteurs les plus similaires
-
K-nn approximatif : utilise des algorithmes tels que HNSW (Hierarchical Navigable Small World) pour des recherches plus rapides sur de grands ensembles de données
-
- Métriques de distance
-
Prend en charge divers calculs de similarité, notamment :
-
Distance euclidienne
-
Similarité cosinus
-
Produit Dot
-
Cas d’utilisation courants
La recherche vectorielle prend en charge les cas d'utilisation courants suivants.
-
Recherche sémantique : trouvez des documents ayant une signification similaire, pas seulement des mots clés correspondants
-
Systèmes de recommandation : Suggérez des produits, des contenus ou des utilisateurs similaires
-
Recherche d'images : trouvez des images visuellement similaires
-
Détection des anomalies : identifier les valeurs aberrantes dans les modèles de données
-
RAG (Retrieval Augmented Generation) : améliorez les réponses LLM avec un contexte pertinent
Intégration à l'apprentissage automatique
OpenSearch s'intègre aux services et modèles d'apprentissage automatique suivants :
-
Amazon Bedrock : pour générer des intégrations à l'aide de modèles de base
-
Amazon SageMaker AI : pour le déploiement d'un modèle ML personnalisé
-
Modèles Hugging Face : modèles d'intégration préentraînés
-
Modèles personnalisés : vos propres modèles d'intégration entraînés
Avec la recherche vectorielle, vous pouvez créer des applications sophistiquées basées sur l'IA qui comprennent le contexte et le sens, en allant bien au-delà des capacités traditionnelles de mise en correspondance de texte.
