在近期结束的机器之心 AI 技术论坛上,一场以向量数据库为主角的主题论坛引发业内广泛关注。该论坛不仅罕见地汇集了国内向量数据库赛道内的各式公司,更是邀请到行业巨头 Zilliz 参会。
现场,Zilliz 合伙人、技术总监栾小凡进行了一次揭秘式的前沿思考,为业界各开发者提供了不同于以往的参考。
栾小凡表示,海量非结构化数据检索面临以下挑战:
非结构化数据的理解成本更高,基于规则的处理方案难以适应;
海量非结构化数据的处理性能和成本越来越关键;
不同于传统数据处理,非结构数据缺乏好的工具,如 ETL、数据库、数仓
而处理非结构化数据的核心是概率。栾小凡解释道,非结构化的处理是相似度,NLP 中根据上下文推断可能性,图像处理关注像素的相似度;而相似度的核心是概率,理解概率的本质是基于大量数据进行 Pretrain 和 Finetune。
随后,栾小凡进一步解释了概率对于检索意味着什么。他表示,搜索和生成是一体两面,搜索是选择题,生成是填空题,本质都是概率问题。那么,概率对于检索意味着什么?想要做对搜索,本质需要挖掘两种信息:领域内知识和领域外知识。领域外知识见得越多,泛化能力越强,领域内知识见得越大,生成越精确。因为 Pretrain+Finetune 成为了搜索和生成共同的烦事。而搜索的特殊性在于,因为知道答案范围,所以可以利用概率提前构建范围,本质是利用 Corpus 的相似性概率。
接下来,栾小凡着重介绍了从概率 1.0 时代到 3.0 时代的主流算法变化,包括 TF-IDF、Word2Vec、BERT 等。在此过程中,向量数据库的出现,极大地加速了稠密向量查询性能,使得在生产中落地向量检索成为了可能。从业务效果角度来看,尽管单纯的向量检索要强于单纯的关键词打分,然而这并非最优实现。选择向量检索只是由于 cross encoder 等算法代价过高的无奈折中之举。栾小凡强调,向量检索不应该只是简单传统数据库 + 向量检索 Library,随着场景的不断发展,向量数据库应该从单纯的数学 recall 转向更加复杂的业务 recall。
在此背景下,向量数据库未来发展的一个重要趋势是【由数据库向服务转变】,具体体现在以下六个方面:
关注扩展性,更关注弹性
多云、多机房、异地多活
不仅支持实时写入,更能做到离在线一体化
开箱即用的 Pipeline 服务
向量数据湖与离线分析
关注向量数据的安全与合规
目前,Zilliz 正延续上述方向在产品上不断升级打磨,其产品 Zilliz Cloud 提供开箱即用的全托管向量检索服务,已覆盖全球主流的云平台,包括 AWS、GCP、Azure、阿里云、金山云。近期,Zilliz Cloud 更是上线了 Pipeline,为用户实现 RAG 奠定了坚实的基础。
(免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。 )