qdrant
v1.12.4
Moteur de recherche de vecteurs pour la prochaine génération d'applications d'IA
Qdrant (lire : quadrant ) est un moteur de recherche de similarité vectorielle et une base de données vectorielle. Il fournit un service prêt pour la production avec une API pratique pour stocker, rechercher et gérer des points : des vecteurs avec une charge utile supplémentaire. Qdrant est conçu pour une prise en charge étendue du filtrage. Cela le rend utile pour toutes sortes de correspondances de réseaux neuronaux ou sémantiques, de recherche à facettes et d'autres applications.
Qdrant est écrit en Rust ?, ce qui le rend rapide et fiable même sous une charge élevée. Voir les repères.
Avec Qdrant, les intégrations ou les encodeurs de réseaux neuronaux peuvent être transformés en applications à part entière pour la mise en correspondance, la recherche, la recommandation et bien plus encore !
Qdrant est également disponible sous forme de Qdrant Cloud entièrement géré ⛅ comprenant un niveau gratuit .
Démarrage rapide • Bibliothèques clientes • Projets de démonstration • Intégrations • Contact
pip install qdrant-client
Le client Python offre un moyen pratique de démarrer avec Qdrant localement :
from qdrant_client import QdrantClient
qdrant = QdrantClient ( ":memory:" ) # Create in-memory Qdrant instance, for testing, CI/CD
# OR
client = QdrantClient ( path = "path/to/db" ) # Persists changes to disk, fast prototypingPour découvrir toute la puissance de Qdrant localement, exécutez le conteneur avec cette commande :
docker run -p 6333:6333 qdrant/qdrantVous pouvez désormais vous y connecter avec n'importe quel client, y compris Python :
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceAvant de déployer Qdrant en production, assurez-vous de lire nos guides d'installation et de sécurité.
Qdrant propose les bibliothèques client suivantes pour vous aider à l'intégrer facilement dans votre pile d'applications :
Libérez la puissance des intégrations sémantiques avec Qdrant, en transcendant la recherche basée sur des mots-clés pour trouver des connexions significatives dans des textes courts. Déployez une recherche neuronale en quelques minutes à l'aide d'un réseau neuronal pré-entraîné et découvrez l'avenir de la recherche textuelle. Essayez-le en ligne !
La découverte ne se limite pas à la recherche textuelle, surtout lorsqu'il s'agit de nourriture. Les gens choisissent souvent leurs repas en fonction de leur apparence plutôt que des descriptions et des ingrédients. Laissez Qdrant aider vos utilisateurs à trouver leur prochain délicieux repas grâce à la recherche visuelle, même s'ils ne connaissent pas le nom du plat. Vérifiez-le!
Entrez dans le domaine de pointe de la classification extrême, un domaine émergent d'apprentissage automatique qui s'attaque aux problèmes multi-classes et multi-étiquettes avec des millions d'étiquettes. Exploitez le potentiel des modèles d'apprentissage de similarité et découvrez comment un modèle de transformateur pré-entraîné et Qdrant peuvent révolutionner la catégorisation des produits de commerce électronique. Jouez avec en ligne !
| Recherche de texte sémantique | Recherche d'images similaires | Recommandations |
| Chatbots | Moteurs correspondants | Détection des anomalies |
La documentation en ligne OpenAPI 3.0 est disponible ici. OpenAPI facilite la génération d'un client pour pratiquement n'importe quel framework ou langage de programmation.
Vous pouvez également télécharger des définitions OpenAPI brutes.
Pour des recherches plus rapides au niveau de la production, Qdrant fournit également une interface gRPC. Vous pouvez trouver la documentation gRPC ici.
Qdrant peut attacher n'importe quelle charge utile JSON aux vecteurs, permettant à la fois le stockage et le filtrage des données en fonction des valeurs de ces charges utiles. Payload prend en charge un large éventail de types de données et de conditions de requête, notamment la correspondance de mots clés, le filtrage de texte intégral, les plages numériques, la géolocalisation, etc.
Les conditions de filtrage peuvent être combinées de différentes manières, y compris les clauses should , must et must_not , garantissant que vous pouvez implémenter n'importe quelle logique métier souhaitée en plus de la correspondance de similarité.
Pour remédier aux limites des intégrations vectorielles lors de la recherche de mots-clés spécifiques, Qdrant introduit la prise en charge des vecteurs clairsemés en plus des vecteurs denses habituels.
Les vecteurs clairsemés peuvent être considérés comme une généralisation du classement BM25 ou TF-IDF. Ils vous permettent d'exploiter les capacités des réseaux neuronaux basés sur des transformateurs pour peser efficacement les jetons individuels.
Qdrant propose plusieurs options pour rendre la recherche vectorielle moins chère et plus économe en ressources. La quantification vectorielle intégrée réduit l'utilisation de la RAM jusqu'à 97 % et gère de manière dynamique le compromis entre vitesse de recherche et précision.
Qdrant offre une prise en charge complète de la mise à l'échelle horizontale via deux mécanismes clés :
io_uring pour maximiser l'utilisation du débit du disque, même sur un stockage connecté au réseau.Exemples et/ou documentation des intégrations Qdrant :
Qdrant est sous licence Apache, version 2.0. Afficher une copie du fichier de licence.
