Qdrant：追求向量資料庫RAG的成本效益解決方案

Home AI新聞 Qdrant：追求向量資料庫RAG的成本效益解決方案

越來越多的公司努力將檢索增強生成（RAG）系統整合進其技術架構中，促使創新方法的出現以提升這一過程的效率。向量資料庫公司Qdrant相信，其新開發的檢索算法BM42將顯著提高RAG的效率和成本效益。Qdrant成立於2021年，旨在通過BM42增強混合搜索能力，結合語義搜索與關鍵字搜索。Qdrant的聯合創始人及CTO Andrey Vasnetsov解釋，BM42旨在更新廣泛使用的BM25算法，該算法用於在搜索查詢中對文件相關性進行排序。傳統系統通常使用BM25，但RAG則運用向量資料庫，以數學度量表示數據，簡化數據匹配過程。

Vasnetsov指出：「傳統的關鍵字匹配算法如BM25假設文件的大小足以生成統計數據，但RAG處理的是較小的信息塊，使得BM25顯得不足。」BM42利用語言模型從文件中提取相關信息，而不是生成嵌入。這些提取的數據將被標記並計分，使Qdrant能準確識別回答特定查詢所需的信息。

混合搜索提供了多種增強選項。BM42並非唯一努力超越BM25以簡化混合研究和RAG應用的進展。Splade（稀疏詞彙擴展模型）也是一個競爭者。它使用預訓練的語言模型，能夠識別單詞之間的關係，並整合搜索查詢與相關文件之間可能不同的相關術語。雖然一些向量資料庫公司利用Splade，Vasnetsov則聲稱BM42提供了更具成本效益的解決方案。他提到：「Splade的模型大小和計算需求可能非常昂貴。」

RAG作為企業AI的焦點正在快速崛起，組織希望利用生成式AI模型及其專有數據。通過使用RAG，公司能為員工和用戶提供更準確、及時的信息，這些信息來自於組織數據。微軟和亞馬遜等主要參與者目前正提供專為構建RAG應用程序而設的雲計算基礎設施。此外，OpenAI於六月份收購了Rockset，以增強其RAG能力。

雖然RAG允許用戶將AI模型輸出與公司數據連接，但重要的是要承認它仍然是一種語言模型，易受不準確性影響，這些不準確性通常被稱為「幻覺」。

下一代人工智慧科技如何徹底改變員工的日常工作

為何真正的企業人工智慧操作系統將引發革命性變革（了解更多，請參加 VB Transform 2024）