Descarga vectorai - Descarga de código fuente vectorai

vectorai

Otro código fuente

v0.2.5

Descargar

(VectorAI está depreciado y ya no se mantiene. Recomendamos utilizar Relevance AI para utilizar la búsqueda vectorial, consulte https://tryrelevance.com)

Vector AI es un marco diseñado para hacer que el proceso de creación de aplicaciones basadas en vectores de grado de producción sea lo más rápido y sencillo posible. Cree, almacene, manipule, busque y analice vectores junto con documentos json para impulsar aplicaciones como búsqueda neuronal, búsqueda semántica, recomendaciones personalizadas, etc.

Visite nuestro sitio web y regístrese para obtener una clave de API: https://getvectorai.com
Para documentación de Python: https://vector-ai.github.io/vectorai
Para documentación de la API REST: https://api.vctr.ai/documentation
Únase a nuestro discordia: https://discord.gg/CbwUxyD
Para obtener una introducción más sencilla que compare nuestras funciones, lea https://getvectorai.com/production-ready-search-in-5-minutos/

Características

Vectorización de datos multimedia : Image2Vec, Audio2Vec, etc. (Cualquier dato se puede convertir en vector mediante aprendizaje automático)
Almacén orientado a documentos : almacene sus vectores junto con los documentos sin tener que realizar una búsqueda en la base de datos de metadatos sobre los vectores.
Búsqueda de similitud de vectores : habilite la búsqueda de vectores y multimedia enriquecida con búsqueda de similitud de vectores. La columna vertebral de muchos casos de uso populares de IA, como la búsqueda inversa de imágenes, recomendaciones, personalización, etc.
Búsqueda híbrida : hay escenarios en los que la búsqueda vectorial no es tan efectiva como la búsqueda tradicional, por ejemplo, la búsqueda de skus. Vector AI le permite combinar la búsqueda vectorial con todas las funciones de la búsqueda tradicional, como filtrado, búsqueda difusa y coincidencia de palabras clave, para crear una búsqueda aún más potente.
Búsqueda ponderada de múltiples modelos : nuestra búsqueda de vectores es altamente personalizable y puede realizar búsquedas con múltiples vectores de múltiples modelos y darles diferentes ponderaciones.
Operaciones vectoriales : búsqueda flexible con operaciones listas para usar en vectores. por ejemplo, media, mediana, suma, etc.
Agregación : toda la agregación tradicional que esperarías. por ejemplo, agrupar por media, tablas dinámicas, etc.
Agrupación : interprete sus vectores y datos asignándolos a depósitos y obtenga estadísticas sobre estos diferentes depósitos en función de los datos que proporcione.
Análisis de vectores : obtenga una mejor comprensión de sus vectores mediante el uso de análisis de vectores prácticos listos para usar, lo que le brinda una mejor comprensión de la calidad de sus vectores.

Terminologías rápidas

Modelos/Codificadores (también conocidos como Embedders) ~ Convierte datos en vectores, por ejemplo, Word2Vec convierte palabras en vectores
Búsqueda de similitud de vectores (también conocida como búsqueda de vecino más cercano, búsqueda de distancia)
Colección (también conocida como índice, tabla) ~ una colección se compone de varios documentos
Documentos (también conocidos como Json, Elemento, Diccionario, Fila) ~ un documento puede contener vectores, texto y enlaces a videos/imágenes/audio.

Inicio rápido

¡Instalar a través de pip! Compatible con cualquier sistema operativo.

 pip install vectorai

Si necesita la versión nocturna debido a mejoras en curso, puede instalar la versión nocturna usando:

 pip install vectorai-nightly

Nota: si bien la versión nocturna seguirá pasando las pruebas automatizadas, es posible que no sea estable.

Consulte nuestro cuaderno de inicio rápido sobre cómo crear un motor de búsqueda de texto/imagen/audio en 5 minutos: quickstart.ipynb

 from vectorai import ViClient, request_api_key

api_key = request_api_key(username=<username>, email=<email>, description=<description>, referral_code="github_referred")

vi_client = ViClient(username=username, api_key=api_key)

from vectorai.models.deployed import ViText2Vec
text_encoder = ViText2Vec(username, api_key)

documents = [
    {
        '_id': 0,
        'color': 'red'
    },
    {
        '_id': 1,
        'color': 'blue'
    }
]

# Insert the data
vi_client.insert_documents('test-collection', documents, models={'color': text_encoder.encode})

# Search the data
vi_client.search('test-collection', text_encoder.encode('maroon'), 'color_vector_', page_size=2)

# Get Recommendations
vi_client.search_by_id('test-collection', '1', 'color_vector_', page_size=2)

Acceda a potentes análisis vectoriales

Vector AI tiene visualizaciones potentes que le permiten analizar sus vectores lo más fácilmente posible, en 1 línea de código.

 vi_client.plot_dimensionality_reduced_vectors(documents, 
    point_label='title', 
    dim_reduction_field='_dr_ivis', 
    cluster_field='centroid_title', cluster_label='centroid_title')

 vi_client.plot_2d_cosine_similarity(
    documents,
    documents[0:2],
    vector_fields=['use_vector_'],
    label='name',
    anchor_document=documents[0]
)

¡Compare vectores y su rendimiento de búsqueda en sus documentos fácilmente!

¿Por qué Vector AI en comparación con otras implementaciones del vecino más cercano?

Lista para producción : nuestra API está completamente administrada y puede escalarse para impulsar cientos de millones de búsquedas al día. Incluso en millones de búsquedas, es increíblemente rápido a través del almacenamiento en caché perimetral, la utilización de GPU y la optimización del software para que nunca tenga que preocuparse por escalar su infraestructura a medida que aumenta su caso de uso.
Fácil de usar. Rápido para empezar. : Uno de nuestros principios básicos de diseño es que nos centramos en cómo las personas pueden comenzar a usar Vector AI lo más rápido posible, al mismo tiempo que garantizamos que todavía haya una gran cantidad de funciones y opciones de personalización.
Comprensión más rica de sus vectores y sus propiedades : nuestra biblioteca está diseñada para permitir a las personas hacer más que simplemente obtener los vecinos más cercanos, sino experimentarlos, analizarlos, interpretarlos y mejorarlos en el momento en que se agregan los datos al índice.
Almacene datos vectoriales con facilidad : la naturaleza orientada a documentos de Vector AI permite a los usuarios etiquetar, filtrar la búsqueda y comprender sus vectores tanto como sea posible.
Acceso en tiempo real a los datos : se puede acceder a los datos de Vector AI en tiempo real, tan pronto como se insertan los datos, se pueden buscar de inmediato. No es necesario esperar horas para crear un índice.
Agnóstico del marco : nunca vamos a forzar un marco específico en Vector AI. Si tiene un marco de trabajo de su elección, puede usarlo, ¡siempre que sus documentos sean serializables en JSON!

Usando modelos VectorHub

VectorHub es el principal repositorio de modelos de Vector AI. Los modelos de VectorHub se crean con interfaces scikit-learn y todos tienen ejemplos de integración de Vector AI. Si está buscando experimentar con nuevos modelos disponibles en el mercado, le recomendamos probar los modelos VectorHub: ¡todos han sido probados en Colab y se pueden usar en tan solo 3 líneas de código!

Reglas de esquema para documentos (vectores BYO e ID)

Asegúrese de que todos los campos vectoriales contengan un '_vector_' en su nombre y que todos los campos de ID tengan el nombre '_id'.

Por ejemplo:

 example_item = {
    '_id': 'James',
    'skills_vector_': [0.123, 0.456, 0.789, 0.987, 0.654, 0.321]
}

Lo siguiente no se reconocerá como columnas de ID o columnas vectoriales.

 example_item = {
    'name_id': 'James',
    'skillsvector_': [0.123, 0.456, 0.789, 0.987, 0.654, 0.321]
}

¿En qué se diferencia de la API VectorAI?

El SDK de Python está diseñado para proporcionar una manera para que los Pythonistas desbloqueen el poder de VectorAI en la menor cantidad de líneas de código posible. Expone todos los elementos de una API a través de nuestra herramienta de automatización de código abierto y es la forma principal en que nuestros científicos e ingenieros de datos interactúan con el motor VectorAI para crear prototipos rápidamente antes de que los desarrolladores utilicen las solicitudes de API.

Nota : El SDK de VectorAI está integrado en el servidor de desarrollo, lo que a veces puede provocar errores. Sin embargo, esto es importante para garantizar que los usuarios puedan acceder a las funciones más avanzadas según sea necesario. Si tiene problemas de este tipo, le recomendamos crear un problema de GitHub si no es urgente, pero no dude en hacer ping al canal de Discord para consultas más urgentes.