Recherche vectorielle

La recherche vectorielle est utilisée dans une base de données pour trouver des éléments qui sont sémantiquement similaires à une requête donnée. Au lieu de rechercher des correspondances exactes de mots clés, la recherche vectorielle compare la « signification » d'une requête à la « signification » des éléments stockés dans la base de données. Cela est rendu possible en représentant les données (texte, images, sons, etc.) sous forme de vecteurs numériques dans un espace multidimensionnel. Ces vecteurs capturent les caractéristiques sémantiques des données. Les éléments ayant des significations similaires seront représentés par des vecteurs qui sont proches les uns des autres dans cet espace. Voici quelques cas d'utilisation courants de la recherche vectorielle dans les bases de données : * **Recherche sémantique :** Trouver des documents ou des produits qui correspondent à l'intention ou au sens d'une requête, même si les mots exacts ne sont pas présents. Par exemple, rechercher « vêtements d'été confortables » pourrait renvoyer des articles comme des shorts en lin, des t-shirts légers et des sandales. * **Recherche d'images similaires :** Trouver des images qui ressemblent visuellement à une image de référence. Utile pour la découverte de produits, la détection de doublons ou l'organisation de collections d'images. * **Systèmes de recommandation :** Recommander des articles (produits, films, musique) similaires à ceux qu'un utilisateur a aimés ou consultés. * **Détection d'anomalies :** Identifier des points de données qui s'écartent significativement de la norme, car leurs vecteurs seraient éloignés de la majorité des autres vecteurs. * **Traitement du langage naturel (NLP) :** Comprendre et comparer la signification de phrases, de paragraphes ou de documents entiers pour des tâches telles que la classification de texte, le regroupement et la réponse aux questions. * **Reconnaissance vocale et traitement audio :** Comparer des segments audio pour trouver des sons similaires ou identifier des locuteurs. En résumé, la recherche vectorielle permet de passer d'une recherche basée sur des correspondances littérales à une recherche basée sur la compréhension et la similitude sémantique, ouvrant ainsi la voie à des applications plus intelligentes et intuitives.

La recherche vectorielle fournit des résultats de plus proches voisins sans nécessiter de correspondance directe. Le texte, les images, l'audio et la vidéo sont convertis en représentations mathématiques et utilisés pour la recherche sémantique ou pour surmonter les défis de l'IA en utilisant le cadre de génération augmenté par récupération (RAG). Au niveau de l'entreprise, la recherche vectorielle est couramment utilisée pour des chatbots puissants en langage naturel, une recherche sophistiquée combinant recherche par plage, texte et prédicats vectoriels, et l'analyse de données permettant de repérer des similarités et des anomalies. Dans Couchbase 8.0, nous introduisons des index vectoriels Hyperscale et Composite pour améliorer la précision du RAG à grande échelle sans nuire aux performances ou au coût des opérations.